Link Polarity Prediction from Sparse and Noisy Labels via Multiscale Social Balance

要約

符号付きグラフ ニューラル ネットワーク (SGNN) は、符号付きネットワーク、つまりエッジに極性が関連付けられているグラフに関するいくつかの学習タスクに効果的なツールとして最近注目を集めています。
これらのタスクの 1 つは、ネットワーク構造と他の利用可能な極性から始めて、この情報が欠落しているリンクの極性を予測することです。
ただし、利用可能な極性が少なく、ノイズが多い場合、そのような作業は困難になります。
この研究では、\emph{マルチスケール ソ​​ーシャル バランス} という新しい概念を中心に構築された半教師あり学習フレームワークを考案し、限られたデータ量と質を特徴とする設定におけるリンク極性の予測を改善します。
当社のモデルに依存しないアプローチは、あらゆる SGNN アーキテクチャとシームレスに統合でき、ラベルのないエッジからの構造情報をソーシャル バランス理論と組み合わせて戦略的に利用しながら、各データ サンプルの重要性を動的に再重み付けします。
経験的検証により、私たちのアプローチは確立されたベースライン モデルよりも優れたパフォーマンスを示し、ノイズの多いまばらなデータによって課せられる制限に効果的に対処できることが実証されています。
この結果は、マルチスケールのソーシャル バランスを SGNN に組み込むことの利点を強調し、署名付きネットワーク分析における堅牢かつ正確な予測のための新しい道を開きます。

要約(オリジナル)

Signed Graph Neural Networks (SGNNs) have recently gained attention as an effective tool for several learning tasks on signed networks, i.e., graphs where edges have an associated polarity. One of these tasks is to predict the polarity of the links for which this information is missing, starting from the network structure and the other available polarities. However, when the available polarities are few and potentially noisy, such a task becomes challenging. In this work, we devise a semi-supervised learning framework that builds around the novel concept of \emph{multiscale social balance} to improve the prediction of link polarities in settings characterized by limited data quantity and quality. Our model-agnostic approach can seamlessly integrate with any SGNN architecture, dynamically reweighting the importance of each data sample while making strategic use of the structural information from unlabeled edges combined with social balance theory. Empirical validation demonstrates that our approach outperforms established baseline models, effectively addressing the limitations imposed by noisy and sparse data. This result underlines the benefits of incorporating multiscale social balance into SGNNs, opening new avenues for robust and accurate predictions in signed network analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google