Sep, 2023

基于可信度的图卷积网络用于带符号网络嵌入

PDF
TL;DR通过使用边缘符号的可信性修正图卷积网络（GCN）中的错误嵌入传播，提出了一种名为 TrustSGCN 的新型基于 GCN 的签名网络嵌入方法，该方法利用了平衡理论推断出的高阶关系的边缘符号的可信性。实验证明 TrustSGCN 在四个真实世界的签名网络数据集上始终优于其他五种基于 GCN 的签名网络嵌入方法。
signed network embeddinggraph convolutional networksbalance theorytrustsgcntrustworthiness
发现论文，激发创造
  • 有符号图卷积网络

    本文提出了一种基于平衡理论的有向图卷积神经网络模型，用于在带有正负连接的有向图中进行节点表示学习，并证明其在 link sign prediction 等问题上的有效性。

    Aug, 2018

  • SDGNN：学习有向带符号网络节点表示

    本文提出了一种名为 SDGNN 的有向图神经网络模型，根据社会理论在有向网络中学习节点嵌入表示，并同时重建了链接的符号、方向和符号三角形。实验证明，该模型优于现有的基于特征和基于网络嵌入、基于 GNN 方法的模型。

    Jan, 2021

  • SNE: 带符号网络嵌入

    本研究提出了一种名为 SNE 的网络嵌入模型，用于处理有正负权边的网络，并且在节点分类和边预测中与其他四种嵌入方法进行了比较。实验结果表明该模型的有效性。

    Mar, 2017

  • 带符号网络中深度网络嵌入的图表示学习

    本研究使用深度学习网络嵌入方法，在保持结构平衡的前提下，学习有符号网络中的低维节点向量表示，并实现签名网络中的连接符号预测和社区探测。

    Jan, 2019

  • 面向带符号加密货币信任网络的基于时序 GCN 的模式感知欺诈检测

    本文关注加密货币网络上的欺诈检测，使用图形卷积网络处理这些图形。采用局部结构和平衡理论指导训练，使用基本矩阵捕捉局部拓扑信息，并在 GCN 聚合过程中使用它们，实现在时间窗口内的嵌入加权平均。实验结果表明，本文所提出模型优于文献中的模型。

    Nov, 2022

  • 基于知识增强图神经网络的 SIoT 可信度评估

    本文提出了一种知识增强的图神经网络（KGTrust），用于在社会物联网（SIoT）中进行更好的信任评估，该方法结合了用户和对象的语义知识以及增强的信任关系，能够有效地捕捉 SIoT 信任的多方面特性。实验结果表明，KGTrust 方法优于当前的最先进方法。

    Feb, 2023

  • 有符号图注意力网络

    本文中，我们提出了基于图注意力网络（GAT）的正负权网络的通用求解器 - Signed Graph Attention Network（SiGAT）。SiGAT 结合了图图形理论，将常规 GAT 表示和处理有正权重和无权重的网络扩展到对于有正权重和负权重都包含的网络。实验结果表明，SiGAT 在三个真实数据集上的表现优于基于特征和网络嵌入方法，以及现有的基于 GNN 的方法，如带符号图卷积网络（SGCN）。

    Jun, 2019

  • 对抗鲁棒性有符号图对比学习来自平衡增强

    存在不可翻转的结构化平衡信息挑战时，我们提出了一种强大的平衡增强有符号图对比学习（BA-SGCL）框架，它结合了图对比学习原理和平衡增强技术，并且在各种数据集上展现了对抗攻击下的鲁棒性以及链接符号预测任务上的卓越性能。

    Jan, 2024

  • SGA：一种用于带符号图神经网络的图增强方法

    本研究通过使用数据增强技术解决了当前基于 SGNN 的有向图表示学习所面临的稀疏性、不平衡三角形和缺乏附加信息的挑战，并引入了一种新颖的有向图增强框架（SGA），通过 SGNN 模型编码有向图、提取潜在结构信息并评估候选样本，最终改善了多个性能指标。

    Oct, 2023

  • 基于线性优化的带符号子图编码方法用于链路符号预测

    该论文提出了一种名为 SELO 的不同于 SDGNN 的链接符号预测结构，使用子图编码方法学习带符号有向网络的边嵌入，通过线性优化将子图嵌入到可能性矩阵中。在六个真实的带符号网络上，SELO 模型均表现出比现有基于特征和嵌入的方法更好的预测性能。

    May, 2023