Signed Graph Autoencoder for Explainable and Polarization-Aware Network Embeddings

要約

グラフ ニューラル ネットワーク (GNN) に基づくオートエンコーダは、グラフなどの複雑なトポロジの構造を特徴付ける有益な潜在表現を抽出する機能により、近年大きな注目を集めています。
グラフ オートエンコーダーの普及にもかかわらず、署名付きネットワーク用に特別に設計された説明可能なニューラル ベースのグラフ生成モデルの開発と評価にはあまり焦点が当てられていません。
このギャップに対処するために、Signed Graph Archetypal Autoencoder (SGAAE) フレームワークを提案します。
SGAAE は、ネットワーク内のアーキタイプと呼ばれる個別の極端なプロファイルにわたるノード メンバーシップを表現するノード レベルの表現を抽出します。
これは、グラフを学習された多面体に投影することによって実現され、多面体がその極性を制御します。
このフレームワークは、リレーショナル原型分析および GNN と組み合わせて、スケルラム分布に基づいて署名付きネットワークを分析するために最近提案された尤度を採用しています。
私たちの実験的評価は、ネットワーク内の対立するビューの参加を通じて形成された競合コミュニティを抽出しながら、さまざまな基礎となる潜在構造にわたってノードメンバーシップを首尾よく推測するSGAAEの能力を実証しています。
さらに、2 レベルのネットワーク二極化問題を導入し、SGAAE がそのような設定をどのように特徴付けることができるかを示します。
提案されたモデルは、4 つの現実世界のデータセットにわたる署名付きリンク予測のさまざまなタスクで高いパフォーマンスを達成し、いくつかのベースライン モデルを上回ります。

要約(オリジナル)

Autoencoders based on Graph Neural Networks (GNNs) have garnered significant attention in recent years for their ability to extract informative latent representations, characterizing the structure of complex topologies, such as graphs. Despite the prevalence of Graph Autoencoders, there has been limited focus on developing and evaluating explainable neural-based graph generative models specifically designed for signed networks. To address this gap, we propose the Signed Graph Archetypal Autoencoder (SGAAE) framework. SGAAE extracts node-level representations that express node memberships over distinct extreme profiles, referred to as archetypes, within the network. This is achieved by projecting the graph onto a learned polytope, which governs its polarization. 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. Additionally, we introduce the 2-level network polarization problem and show how SGAAE is able to characterize such a setting. The proposed model achieves high performance in different tasks of signed link prediction across four real-world datasets, outperforming several baseline models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google