基于多尺度社会平衡的稀疏且带噪标签链接极性预测
社会与信息网络
2024-07-23 v1 机器学习
摘要
带极性图（Signed Graph Neural Networks, SGNNs）最近因在带极性网络（即边缘关联极性的图）上的各种学习任务中显示出有效作用而受到关注。其中一种任务是预测缺失极性链接的极性，基于网络结构和其他可用极性。然而，当可用极性稀少且可能带噪时，这一任务变得具有挑战性。本文构建了一个以 novel concept“多尺度社会平衡”（multiscale social balance）为核心的半监督学习框架，以提高在数据数量和质量有限设置下链接极性预测的准确性。我们的方法无特定模型，可无缝集成任何 SGNN 架构，动态重新加权每个数据样本的重要性，同时战略性地利用来自未标记边缘的结构信息结合社会平衡理论。实证验证表明，我们的方法优于既定基准模型，有效解决稀疏和噪声数据所施加的限制。这一结果凸显了将多尺度社会平衡纳入 SGNN 中的优势，为在签名网络分析中实现稳健和准确的预测开辟了新路径。
引用
@article{arxiv.2407.15643,
title = {Link Polarity Prediction from Sparse and Noisy Labels via Multiscale Social Balance},
author = {Marco Minici and Federico Cinus and Francesco Bonchi and Giuseppe Manco},
journal= {arXiv preprint arXiv:2407.15643},
year = {2024}
}