MSGCN: Multiplex Spatial Graph Convolution Network for Interlayer Link Weight Prediction

要約

グラフニューラルネットワーク（GNNS）は、ノード分類からリンク予測まで、さまざまな学習タスクに広く使用されています。
彼らは、グラフ構造データを含む複数のドメインで優れたパフォーマンスを実証しています。
ただし、学習タスクの重要なカテゴリ、すなわちリンク重量予測は、バイナリリンク分類と比較して複雑さが増加するため、あまり重点を置いていません。
リンクの重量予測は、複数のレイヤー間でノードを相互接続できるマルチレイヤーネットワークを考慮すると、さらに困難になります。
これらの課題に対処するために、Multiplex Spatial Graph Convolution Network（MSGCN）という名前の新しい方法を提案します。これは、複数のレイヤーに情報を空間的に埋め込み、層間リンクの重みを予測します。
MSGCNモデルは、空間グラフの畳み込みをマルチプレックスネットワークに一般化し、複数のレイヤーにまたがるノードの幾何学的構造をキャプチャします。
既知のインターレイヤーリンク情報を使用したデータを使用した広範な実験は、MSGCNモデルが多種多様なマルチプレックスネットワーク構造にわたって堅牢で正確で一般化可能なリンク重み予測パフォーマンスを持っていることを示しています。

要約(オリジナル)

Graph Neural Networks (GNNs) have been widely used for various learning tasks, ranging from node classification to link prediction. They have demonstrated excellent performance in multiple domains involving graph-structured data. However, an important category of learning tasks, namely link weight prediction, has received less emphasis due to its increased complexity compared to binary link classification. Link weight prediction becomes even more challenging when considering multilayer networks, where nodes can be interconnected across multiple layers. To address these challenges, we propose a new method named Multiplex Spatial Graph Convolution Network (MSGCN), which spatially embeds information across multiple layers to predict interlayer link weights. The MSGCN model generalizes spatial graph convolution to multiplex networks and captures the geometric structure of nodes across multiple layers. Extensive experiments using data with known interlayer link information show that the MSGCN model has robust, accurate, and generalizable link weight prediction performance across a wide variety of multiplex network structures.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google