SigGAN：用于学习网络中符号关系的对抗模型
社会与信息网络
2022-01-19 v1 机器学习
摘要
图中的符号链接预测是一个重要问题，在多个领域有应用。它是一个二分类问题，预测一对节点之间的边是正边还是负边。由于无符号网络中的现有链接预测方法与其存在固有差异，无法直接用于符号链接预测。此外，符号链接预测必须考虑额外的结构约束，例如符号网络的结构平衡性质。近期的符号链接预测方法使用生成模型或判别模型生成节点表示。受近年来在多种应用中由判别器和生成器组成的生成对抗网络（GAN）模型的成功启发，我们提出了一种基于生成对抗网络（GAN）的符号网络模型 SigGAN。它考虑了符号网络的需求，例如整合来自负边的信息、正负边数量的高度不平衡以及结构平衡理论。在多个真实世界数据集上与最先进（SOTA）技术比较性能，验证了 SigGAN 的有效性。
引用
@article{arxiv.2201.06437,
title = {SigGAN : Adversarial Model for Learning Signed Relationships in Networks},
author = {Roshni Chakraborty and Ritwika Das and Joydeep Chandra},
journal= {arXiv preprint arXiv:2201.06437},
year = {2022}
}