KAN KAN Buff 签名图神经网络？
机器学习
2025-01-23 v3
摘要
图表示学习旨在创建有效的节点和边嵌入，以封装其特征和关系。图神经网络（GNN）利用神经网络来建模复杂的图结构。最近，Kolmogorov-Arnold 神经网络（KAN）作为传统多层感知器（MLP）的有前景的替代方案，提供了更好的准确率和可解释性，同时需要更少的参数。在本文中，我们提出将 KAN 集成到签名图卷积网络（SGCN）中，导致开发出 KAN 增强型 SGCN（KASGCN）。我们在诸如签名社区检测和链接符号预测等任务上评估 KASGCN，以提高签名网络中嵌入的质量。我们的实验结果表明，KASGCN 在所评估的任务中表现出与标准 SGCN 相当或相当的性能，性能差异取决于签名图的特定特征以及参数设置的选择。这一发现表明，KASGCN 有前景用于通过具有上下文依赖性的效果来增强签名图分析。
引用
@article{arxiv.2501.00709,
title = {KAN KAN Buff Signed Graph Neural Networks?},
author = {Muhieddine Shebaro and Jelena Tešić},
journal= {arXiv preprint arXiv:2501.00709},
year = {2025}
}