Основні поняття
符号付きグラフのノード表現を学習することで、ネットワーク内の極端なプロファイルを表す潜在的なアーキタイプを抽出し、ネットワークの偏向を特徴付けることができる。
Анотація
本論文では、符号付きグラフオートエンコーダ(SGAAE)を提案している。SGAEEは、ノードの潜在的な表現を学習することで、ネットワーク内の極端なプロファイルを表すアーキタイプを抽出する。これにより、ネットワーク内の偏向を特徴付けることができる。
具体的には以下の通り:
- SGAEEは、ポジティブとネガティブの相互作用を別々に処理するGNNベースのエンコーダを使用する。これにより、ポジティブとネガティブの両方の構造を捉えることができる。
- 潜在表現は、アーキタイプ行列Aと、各ノードのアーキタイプへの所属度を表す2つの埋め込みベクトルzとwによって定義される。これにより、ノードが2つの異なる偏向コミュニティに属することを表現できる。
- Skellam分布に基づく尤度関数を最適化することで、ポジティブとネガティブの相互作用を効果的にモデル化できる。
- 実験では、符号付きリンク予測タスクにおいて、提案手法が既存手法を大きく上回る性能を示した。また、ネットワーク可視化により、2つのレベルの偏向を効果的に捉えられることを示した。
Статистика
ポジティブリンクの強度を表すλ+
ijは以下のように計算される:
λ+
ij = exp(γi + γj + ⟨˜zi, ˜zj⟩)
ネガティブリンクの強度を表すλ−
ijは以下のように計算される:
λ−
ij = exp(δi + δj + ⟨˜wi, ˜wj⟩)
ここで、γi, δiはノードiの正負の関係性を表すノード固有のパラメータ、˜ziと˜wiはノードiのポジティブとネガティブの所属度を表す埋め込みベクトルである。
Цитати
"SGAAE extracts node-level representations that express node memberships over distinct extreme profiles, referred to as archetypes, within the network."
"The framework employs a recently proposed likelihood for analyzing signed networks based on the Skellam distribution, combined with relational archetypal analysis and GNNs."
"Our experimental evaluation demonstrates the SGAAEs' capability to successfully infer node memberships over the different underlying latent structures while extracting competing communities formed through the participation of the opposing views in the network."