用于可解释与极化感知网络嵌入的符号图自编码器
机器学习
2025-03-11 v3 社会与信息网络
摘要
基于图神经网络（GNN）的自编码器近年来因其能够提取信息丰富的潜在表示来刻画复杂拓扑（如图）的结构而备受关注。尽管图自编码器十分普及，但针对符号网络专门开发与评估可解释的基于神经网络的图生成模型的关注却很有限。为弥补这一空白，我们提出了符号图原型自编码器（SGAAE）框架。SGAAE 提取节点级表示，表达节点在网络内不同极端轮廓（称为原型）上的隶属关系。这是通过将图投影到一个学习到的多面体上来实现的，该多面体控制着图的极化。该框架采用了一种最近提出的基于 Skellam 分布的似然函数来分析符号网络，并结合了关系原型分析与 GNN。我们的实验评估表明，SGAAE 能够成功推断出不同底层潜在结构上的节点隶属关系，同时提取出由网络中对立观点参与而形成的竞争性社区。此外，我们引入了二阶网络极化问题，并展示了 SGAAE 如何表征此类设定。所提出的模型在四个真实世界数据集的不同符号链路预测任务中均取得了高性能，优于多个基线模型。
引用
@article{arxiv.2409.10452,
title = {Signed Graph Autoencoder for Explainable and Polarization-Aware Network Embeddings},
author = {Nikolaos Nakis and Chrysoula Kosma and Giannis Nikolentzos and Michalis Chatzianastasis and Iakovos Evdaimon and Michalis Vazirgiannis},
journal= {arXiv preprint arXiv:2409.10452},
year = {2025}
}
备注
AISTATS 2025 Camera-ready version