[논문 리뷰] Signed Graph Convolutional Network

Tyler Derr, Yao Ma외 1명|arXiv (Cornell University)|2018. 08. 20.

Advanced Graph Neural Networks참고 문헌 27인용 수 56

한 줄 요약

Signed Graph Convolutional Network (SGCN)을 도입하여 서명된 네트워크에서 양의 링크와 음의 링크를 통합하고, 효과적인 노드 임베딩 및 링크 부호 예측을 가능하게 합니다. 여러 층에 걸쳐 균형 경로와 비균형 경로를 통해 정보를 집계하고, 균형 이론 기반 손실로 최적화합니다.

ABSTRACT

Due to the fact much of today's data can be represented as graphs, there has been a demand for generalizing neural network models for graph data. One recent direction that has shown fruitful results, and therefore growing interest, is the usage of graph convolutional neural networks (GCNs). They have been shown to provide a significant improvement on a wide range of tasks in network analysis, one of which being node representation learning. The task of learning low-dimensional node representations has shown to increase performance on a plethora of other tasks from link prediction and node classification, to community detection and visualization. Simultaneously, signed networks (or graphs having both positive and negative links) have become ubiquitous with the growing popularity of social media. However, since previous GCN models have primarily focused on unsigned networks (or graphs consisting of only positive links), it is unclear how they could be applied to signed networks due to the challenges presented by negative links. The primary challenges are based on negative links having not only a different semantic meaning as compared to positive links, but their principles are inherently different and they form complex relations with positive links. Therefore we propose a dedicated and principled effort that utilizes balance theory to correctly aggregate and propagate the information across layers of a signed GCN model. We perform empirical experiments comparing our proposed signed GCN against state-of-the-art baselines for learning node representations in signed networks. More specifically, our experiments are performed on four real-world datasets for the classical link sign prediction problem that is commonly used as the benchmark for signed network embeddings algorithms.

연구 동기 및 목표

• 링크가 양수일 수도 있고 음수일 수도 있는 서명된 네트워크에서 노드 표현 학습의 동기를 제시한다.
• 양의 정보와 음의 정보를 모두 집계하기 위해 균형 이론을 준수하는 원리적 GCN 변형을 제안한다.
• 서명된 관계에 대한 임베딩 학습을 가이드하는 목표 함수를 개발한다.
• 실제 세계의 서명된 네트워크에서 링크 부호 예측에 대한 효과를 시연한다.

제안 방법

• 부호가 없는 GCN을 서명된 네트워크로 확장하기 위해 균형 경로 기반 집계와 비균형 경로 기반 집계를 도입한다.
• 레이어 l까지의 균형 경로와 비균형 경로를 캡처하기 위해 B(l) 및 U(l) 집합을 균형 이론을 사용하여 정의한다.
• 각 레이어에서 노드마다 두 개의 표현을 유지한다: 'friends'(균형) 표현과 'enemies'(비균형) 표현.
• 양의 이웃 N_i^+와 음의 이웃 N_i^-로부터 정보를 적절히 전달하기 위해 W^(l) 가중치 행렬을 갖는 층별 집계기를 사용한다.
• 각 노드에 대해 h_i^{B(L)}와 h_i^{U(L)}를 연결(concatenating)하여 최종 임베딩을 생성하는 알고리즘 2를 제안한다.
• 링크 유형 분류를 위한 감독 다항 로지스틱 회귀 구성요소와 확장된 구조적 균형 이론에 기반한 두 번째 항으로 목표 함수를 구성하고, 정규화를 포함한 SGD로 최적화한다.

실험 결과

연구 질문

• RQ1 SGCN이 서명된 네트워크의 노드에 대해 의미 있는 저차원 임베딩을 학습할 수 있는가?
• RQ2 균형 이론과 더 긴 집계 경로를 도입하는 것이 기준선보다 서명된 네트워크 임베딩을 개선하는가?
• RQ3 균형 경로 집계와 비균형 경로 집계가 링크 부호 예측 성능에 어떻게 기여하는가?
• RQ4 첫 번째 층의 집계만 사용했을 때와 다층 균형 이론 정보를 활용한 집계의 영향은 무엇인가?

주요 결과

• SGCN은 네 가지 실제 세계의 서명 네트워크에서 링크 부호 예측에 대해 최첨단 baselines보다 성능이 향상되는 것을 보여준다.
• 균형 이론과 더 긴 경로 정보를 도입하면 단일 층 집계를 넘어 임베딩 품질이 향상된다.
• 모델은 각 노드당 두 가지 표현(친구들, 적들)을 학습하여 층 전체에서 균형/비균형 경로를 통해 효과적으로 전파된다.
• 목표 함수는 감독 가능한 분류기 항과 균형 이론 기반 순위 항을 결합하여 임베딩 공간을 구조화한다.