DropEdge并非万无一失：面向符号图神经网络的有效增强方法
机器学习
2024-10-03 v2 人工智能
摘要
本文讨论了符号图，它使用带有正号或负号的边来建模友好或敌对关系，重点关注链接符号预测任务。尽管符号图神经网络（SGNN）取得了进展，但它们仍面临图稀疏性和不平衡三角形等挑战。作者提出使用数据增强（DA）技术来解决这些问题，尽管许多现有方法由于缺乏辅助信息而不适用于符号图。他们指出，随机DropEdge方法（一种罕见的适用于符号图的DA方法）并不能提升链接符号预测性能。为此，他们引入了符号图增强（SGA）框架，该框架包括一个用于识别候选边的结构增强模块和一个用于选择有益候选边的策略，最终改进了SGNN的训练。实验结果表明，SGA显著提升了SGNN模型的性能，在Slashdot数据集上，SGCN的F1-micro指标提升了32.3%。
引用
@article{arxiv.2409.19620,
title = {DropEdge not Foolproof: Effective Augmentation Method for Signed Graph Neural Networks},
author = {Zeyu Zhang and Lu Li and Shuyan Wan and Sijie Wang and Zhiyi Wang and Zhiyuan Lu and Dong Hao and Wanli Li},
journal= {arXiv preprint arXiv:2409.19620},
year = {2024}
}
备注
NeurIPS 2024