Réseaux d'Attention sur les Graphes Signés

Les données de graphe ou de réseau sont omniprésentes dans le monde réel, incluant les réseaux sociaux, les réseaux d'information, les réseaux de trafic, les réseaux biologiques et divers réseaux techniques. La nature non-euclidienne des données de graphe pose un défi pour leur modélisation et analyse. Récemment, les Réseaux Neuronaux de Graphe (RNG) ont été proposés comme un cadre général et puissant pour traiter des tâches sur les données de graphe, par exemple l'embedding de nœuds, la prédiction de liens et la classification de nœuds. En tant qu'implémentation représentative des RNG, les Réseaux Neuronaux de Graphe à Attention (RNGA) ont été appliqués avec succès à une variété de tâches sur des ensembles de données réels. Cependant, le RNGA est conçu pour des réseaux ne contenant que des liens positifs et échoue à gérer les réseaux signés qui comprennent à la fois des liens positifs et négatifs. Dans cet article, nous proposons les Réseaux Neuronaux de Graphe Signés à Attention (SiGAT), une généralisation du RNGA aux réseaux signés. Le SiGAT intègre des motifs graphiques au RNGA afin de capturer deux théories bien connues en recherche sur les réseaux signés, à savoir la théorie du déséquilibre (balance theory) et la théorie du statut (status theory). Dans le SiGAT, ces motifs nous offrent un modèle structurel flexible pour agréger et propager des messages sur le réseau signé afin de générer des embeddings de nœuds. Nous évaluons la méthode SiGAT proposée en l'appliquant à la tâche de prédiction de liens signés. Les résultats expérimentaux sur trois ensembles de données réels montrent que le SiGAT surpasses les méthodes basées sur les caractéristiques, les méthodes d'embedding de réseau et les méthodes basées sur les RNG d'avant-garde telles que le réseau convolutif signé (SGCN).