[論文レビュー] SSSNET: Semi-Supervised Signed Network Clustering

Yixuan He, Gesine Reinert+2 more|arXiv (Cornell University)|Oct 13, 2021

Complex Network Analysis Techniques被引用数 4

ひとこと要約

SSSNET は、確率的バランスの取れた正規化カット損失と Signed Mixed-Path Aggregation (SIMPA) 方式を導入した、半教師あり符号付きネットワーククラスタリングのための新規なグラフニューラルネットワークフレームワークであり、中間ステップを経ないエンドツーエンド学習を可能にしている。社会的バランス理論に依存しない中立的立場を取ることで、『敵の敵は味方』という仮定を避け、高ノイズおよびスパarsity状態下でも最先端の手法を上回る性能を発揮する。

ABSTRACT

Node embeddings are a powerful tool in the analysis of networks; yet, their full potential for the important task of node clustering has not been fully exploited. In particular, most state-of-the-art methods generating node embeddings of signed networks focus on link sign prediction, and those that pertain to node clustering are usually not graph neural network (GNN) methods. Here, we introduce a novel probabilistic balanced normalized cut loss for training nodes in a GNN framework for semi-supervised signed network clustering, called SSSNET. The method is end-to-end in combining embedding generation and clustering without an intermediate step; it has node clustering as main focus, with an emphasis on polarization effects arising in networks. The main novelty of our approach is a new take on the role of social balance theory for signed network embeddings. The standard heuristic for justifying the criteria for the embeddings hinges on the assumption that "an enemy's enemy is a friend". Here, instead, a neutral stance is assumed on whether or not the enemy of an enemy is a friend. Experimental results on various data sets, including a synthetic signed stochastic block model, a polarized version of it, and real-world data at different scales, demonstrate that SSSNET can achieve comparable or better results than state-of-the-art spectral clustering methods, for a wide range of noise and sparsity levels. SSSNET complements existing methods through the possibility of including exogenous information, in the form of node-level features or labels.

研究の動機と目的

• グラフニューラルネットワークに基づく符号付きネットワーククラスタリング手法における、ノードクラスタリングを主たる目的とするアプローチのギャップを埋めること。
• 『敵の敵は味方』といった社会的バランス理論に強く依存する従来手法の限界を克服すること。
• ノード埋め込み生成とクラスタリングを統合するエンドツーエンドフレームワークを構築し、外部ノード特徴量やラベルの利用を可能にすること。
• ノイズやスパarsityの変動に応じたクラスタリング性能の向上、特に極端化やスパースなネットワーク環境下での性能向上。
• 厳密な社会的バランスに縛られない一般化可能な自己教師あり学習目的を提供し、矛盾した三重構造を有する現実世界のネットワークにおける耐性を高めること。

提案手法

• ノードクラスタリングを促進する自己教師あり目的として、確率的バランスの取れた正規化カット（PBNC）損失を提案し、バランスの取れた正規化されたクラスタ割り当てを促進する。
• ポジティブおよびネガティブエッジの伝播を分離する新しいメッセージパッシング機構である Signed Mixed-Path Aggregation (SIMPA) を導入し、友人・敵関係の柔軟なモデリングを可能にする。
• 正のエッジとネガティブエッジを別々に伝搬するため、4つの独立したマルチレイヤーパーセプトロン（MLP）を用いてノード特徴量を処理し、関係性タイプごとに異なる学習を可能にする。
• ラベル付きシードノードに対する教師あり損失と自己教師あり PBNC 損失を組み合わせ、半教師あり学習を可能にし、一般化性能を向上させる。
• 最終的な線形層にソフトマックスを適用してクラスタ確率分布を出力し、最終的なクラスタラベルは argmax を用いて割り当てる。
• 『敵の敵は味方』という仮定を強制しない中立的立場を取ることで、社会的バランス理論に依存せず、モデルがデータから関係性の出現を学習できるようにする。

実験結果

リサーチクエスチョン

• RQ1 厳密な社会的バランス仮定に依存しない GNN ベース手法が、符号付きネットワーククラスタリングで最先端の性能を達成できるか？
• RQ2 ノイズおよびスパarsityの変動に応じて、提案された確率的バランスの取れた正規化カット損失は、従来のスペクトルクラスタリング手法と比較してどのように差を示すか？
• RQ3 SIMPA アグリゲーション機構は、標準的な GNN や社会的バランスを強制する手法と比較して、どの程度クラスタリング性能を向上させるか？
• RQ4 真のラベルが与えられた現実世界の符号付きネットワークにおいて、SSSNET は極端化やスパースな状態下でも効果的に機能するか？
• RQ5 外部ノード特徴量やラベルの統合が、半教師あり設定におけるクラスタリング精度を顕著に向上させるか？

主な発見

• SSSNET は S&P 1500 および Sampson データセットで、完全教師ありおよび半教師あり両設定において、全ベースラインを上回る最高の調整ランダムインデックス（ARI）を達成した。
• Fin-YNet データセットでは、21年間にわたり最も一貫性のある性能を示し、最良の手法との平均距離が最小（ARI 最良距離: 0.00 ± 0.00）であった。
• ラベルなしの自己教師あり設定においても、SSSNET は競合手法よりも低い「不満比」（クラスタ割り当てに反するエッジの割合）を達成し、より優れたクラスタリング品質を示した。
• アブレーションスタディにより、PBNC 損失を削除すると不満比が上昇することが確認され、性能向上におけるその重要性が裏付けられた。
• 社会的バランス理論を強制するバリエーションと比較したところ、SSSNET は特に違反比が高まる状況下でもより高い ARI を示し、中立的立場の有効性が裏付けられた。
• シードノードの割合を増やすことでテスト ARI が向上し、フレームワークにおける半教師あり監督の有効性が確認された。