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（GNNS）に基づく自動エンコーダーは、グラフなどの複雑なトポロジーの構造を特徴付ける、有益な潜在表現を抽出する能力について、近年大きな注目を集めています。
グラフ自動エンコーダーの有病率にもかかわらず、署名されたネットワーク向け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焦点が当てられています。
このギャップに対処するために、署名されたグラフArchetypal Autoencoder（SGAAE）フレームワークを提案します。
SGAAEは、ネットワーク内でアーキタイプと呼ばれる個別の極端なプロファイルで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、グラフを学習したポリトープに投影することによって達成されます。これは、偏光を支配します。
このフレームワークでは、Skellam分布に基づいて署名されたネットワークを分析するために最近提案された可能性を採用し、関係の典型分析とGNNと組み合わせています。
私たちの実験的評価は、ネットワーク内の対立する見解の参加を通じて形成された競合する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的な構造をめぐるノードメンバーシップを正常に推測するSGAAESの能力を示しています。
さらに、2レベルのネットワーク偏光問題を導入し、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つの実際のデータセットにわたって署名されたリンク予測のさまざまなタスクで高性能を達成し、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