Unterzeichnetes Graphen-Convolutional Network

Angesichts der Tatsache, dass ein erheblicher Teil heutiger Daten als Graphen dargestellt werden kann, besteht ein Bedarf an der Verallgemeinerung neuronaler Netzwerkmodelle für graphenbasierte Daten. Eine kürzlich vielversprechende Entwicklung, die zunehmendes Interesse hervorruft, ist die Anwendung von Graph-Convolutional Neural Networks (GCNs). Diese haben sich in einer Vielzahl von Aufgaben im Bereich der Netzwerkanalyse als signifikante Verbesserung erwiesen, darunter auch die Lernung von Knotenrepräsentationen. Die Aufgabe, niedrigdimensionale Knotenrepräsentationen zu lernen, hat sich als förderlich für eine Vielzahl weiterer Aufgaben erwiesen – von der Link-Vorhersage und der Knotenklassifizierung bis hin zur Gemeinschaftserkennung und Visualisierung. Gleichzeitig sind signierte Netzwerke (oder Graphen mit sowohl positiven als auch negativen Kanten) aufgrund der wachsenden Beliebtheit sozialer Medien allgegenwärtig geworden. Da bisherige GCN-Modelle jedoch hauptsächlich auf unbeschriftete Netzwerke (Graphen, die nur positive Kanten enthalten) fokussiert waren, ist unklar, wie sie auf signierte Netzwerke angewendet werden können, da negative Kanten eine Reihe von Herausforderungen mit sich bringen. Die zentralen Schwierigkeiten ergeben sich daraus, dass negative Kanten nicht nur eine andere semantische Bedeutung im Vergleich zu positiven Kanten besitzen, sondern auch grundsätzlich andere Prinzipien folgen und komplexe Beziehungen zu positiven Kanten bilden. Daher schlagen wir einen gezielten und theoretisch fundierten Ansatz vor, der die Gleichgewichtstheorie nutzt, um die Information korrekt über die Schichten eines signierten GCN-Modells hinweg zu aggregieren und zu propagieren. Wir führen empirische Experimente durch, bei denen unser vorgeschlagenes signiertes GCN-Modell mit aktuellen state-of-the-art-Baselines zur Lernung von Knotenrepräsentationen in signierten Netzwerken verglichen wird. Insbesondere werden unsere Experimente an vier realen Datensätzen für das klassische Problem der Vorhersage von Link-Signen durchgeführt, das üblicherweise als Benchmark für Algorithmen zur Embedding von signierten Netzwerken dient.