SGA：一种面向符号图神经网络的图增强方法
机器学习
2023-10-17 v1 社会与信息网络
摘要
符号图神经网络（SGNNs）对于分析含正、负连边的真实符号图中的复杂模式至关重要。然而，三个关键挑战阻碍了当前基于 SGNN 的符号图表示学习：符号图的稀疏性使潜在结构未被发掘，不平衡三角给 SGNN 模型带来表示困难，且真实符号图数据集常缺乏节点标签与特征等辅助信息。这些限制制约了基于 SGNN 的表示学习的潜力。我们通过数据增强技术应对这些问题。尽管已有许多面向无符号图的图数据增强方法，却无一专为符号图设计。本文提出新颖的符号图增强框架（SGA），包含三个主要组件。首先，我们采用 SGNN 模型编码符号图，提取候选增强结构的潜在结构信息。其次，我们评估这些候选样本（边）并筛选最有益于修改原始训练集者。第三，我们提出一种新颖增强视角，为训练样本赋予不同训练难度，从而设计出新训练策略。在六个真实数据集（Bitcoin-alpha、Bitcoin-otc、Epinions、Slashdot、Wiki-elec 与 Wiki-RfA）上的大量实验表明，SGA 在多个基准上显著提升性能。在链接符号预测中，我们的方法在 Wiki-RfA 上使 SGCN 的 AUC 较基线提升达 22.2%，在 Bitcoin-alpha 上使 GAT 的 F1-binary 提升 33.3%、F1-micro 提升 48.8%、F1-macro 提升 36.3%。
引用
@article{arxiv.2310.09705,
title = {SGA: A Graph Augmentation Method for Signed Graph Neural Networks},
author = {Zeyu Zhang and Shuyan Wan and Sijie Wang and Xianda Zheng and Xinrui Zhang and Kaiqi Zhao and Jiamou Liu and Dong Hao},
journal= {arXiv preprint arXiv:2310.09705},
year = {2023}
}