用于有向网络分类的整图表示学习
机器学习
2024-10-24 v1 神经与进化计算
社会与信息网络
摘要
图是建模涉及结构化数据和关系的复杂系统所无处不在的。因此，图表示学习——旨在自动学习图的低维表示——近年来引发了广泛关注。现有方法的绝大多数数处理的是无向图。然而，有向图日益出现在诸多应用领域，以建模包含两种相对关系的系统。一些作者关注有向图并提出了提供顶点级别表示的方法，但仅有一种方法可用于整图表示，且仅能处理完全连接的图。本文提出两种方法来学习一般有向图的整图表示。第一种是 SG2V，即基于修改 Weisfeiler-Lehman 重标标签程序的整图嵌入方法 Graph2vec 的有向推广。第二种是 WSGCN，即基于引入主节点到 GCN 中实现的有向顶点嵌入方法 SGCN 的整图推广。我们提出了两种方法的多个变体。整图方法开发的瓶颈之一是缺乏数据。我们构建了一个由三组具有相应真实标签的有向图集合组成的基准。我们在该基准上评估了这些方法，结果表明，有向整图方法在该任务中学习到的表示优于基线方法。总体而言，基线方法在 F1 分数上得分为 58.57，而 SG2V 和 WSGCN 分别达到 73.01 和 81.20。我们的源代码和基准数据集均已公开于在线场所。
引用
@article{arxiv.2409.20073,
title = {Whole-Graph Representation Learning For the Classification of Signed Networks},
author = {Noé Cecillon and Vincent Labatut and Richard Dufour and Nejat Arınık},
journal= {arXiv preprint arXiv:2409.20073},
year = {2024}
}