MSGNN：基于新型磁符号拉普拉斯算子的谱图神经网络

何一轩、迈克尔·帕尔穆特、格辛·雷内特、米哈·库库林古
第一届图形学习会议记录，PMLR 198:40:1-40:392022年。

摘要

签名和定向网络在实际应用中无处不在。然而，为此类网络提出谱图神经网络（GNN）的工作相对较少。这里我们引入了一个有符号有向拉普拉斯矩阵，我们称之为磁有符号拉普拉斯，它是有符号图上的有符号拉布拉斯矩阵和有向图上的磁有符号拉普拉斯矩阵的自然推广。然后，我们使用该矩阵构建了一种新的高效频谱GNN架构，并在节点聚类和链路预测任务上进行了广泛的实验。在这些实验中，我们考虑了与签名信息相关的任务、与方向信息相关的工作以及与签名信息和方向信息都相关的工作。我们证明了我们提出的频谱GNN在合并符号和方向信息方面是有效的，并且在广泛的数据集上取得了领先的性能。此外，我们还提供了一个新的合成网络模型，我们称之为有符号有向随机块模型，以及一些基于金融时间序列中的超前滞后关系的新的现实世界数据集。

引用本文

BibTeX公司
@会议记录{pmlr-v198-he22c，title={MSGNN:基于新型磁符号拉普拉斯}的谱图神经网络，author={He、Yixuan和Perlmutter、Michael和Reinert、Gesine和Cucuringu、Mihai}，booktitle={首次图形学习会议记录}，页码＝{40:1-40:39}，年份={2022}，editor＝{里克，巴斯蒂安和帕斯卡努，拉兹万}，体积={198}，series={机器学习研究论文集}，月={09年12月12日}，publisher={PMLR}，pdf={https://proceedings.mlr.press/v198/he22c/he22c.pdf},url={https://proceedings.mlr.press/v198/he22c.html},abstract={符号网络和有向网络在实际应用中普遍存在。然而，提出谱图神经网络（GNN）的工作相对较少对于这样的网络。这里我们引入了一个有符号有向拉普拉斯矩阵，我们称之为磁有符号拉普拉斯，它是有符号图上的有符号拉布拉斯矩阵和有向图上的磁有符号拉普拉斯矩阵的自然推广。然后，我们使用该矩阵构建了一种新的高效频谱GNN架构，并在节点聚类和链路预测任务上进行了广泛的实验。在这些实验中，我们考虑了与签名信息相关的任务、与方向信息相关的工作以及与签名信息和方向信息都相关的工作。我们证明了我们提出的频谱GNN在合并符号和方向信息方面是有效的，并且在广泛的数据集上取得了领先的性能。此外，我们还提供了一个新的合成网络模型，我们称之为有符号有向随机块模型，以及一些基于金融时间序列中的超前滞后关系的新的现实世界数据集。}}
尾注
%0会议论文%T MSGNN：基于新型磁符号拉普拉斯算子的谱图神经网络%何一轩%迈克尔·帕尔穆特%格辛·雷内特%米哈伊·库库林古%第一届图形学习会议论文集%C机器学习研究进展%D 2022年%E巴斯蒂安·里克%E Razvan Pascanu公司%对于pmlr-v198-he22c%我PMLR%P 40:1到40:39%U型https://proceedings.mlr.press/v198/he22c.html%第198页%X签名和定向网络在实际应用中无处不在。然而，为此类网络提出谱图神经网络（GNN）的工作相对较少。这里我们引入了一个有符号有向拉普拉斯矩阵，我们称之为磁有符号拉普拉斯，它是有符号图上的有符号拉布拉斯矩阵和有向图上的磁有符号拉普拉斯矩阵的自然推广。然后，我们使用该矩阵构建了一种新的高效频谱GNN架构，并在节点聚类和链路预测任务上进行了广泛的实验。在这些实验中，我们考虑了与签名信息相关的任务、与方向信息相关的工作以及与签名信息和方向信息都相关的工作。我们证明了我们提出的频谱GNN在合并符号和方向信息方面是有效的，并且在广泛的数据集上取得了领先的性能。此外，我们还提供了一个新的合成网络模型，我们称之为有符号有向随机块模型，以及一些基于金融时间序列中的超前滞后关系的新的现实世界数据集。
亚太地区
He，Y.、Perlmutter，M.、Reinert，G.和Cucuringu，M.（2022）。MSGNN：基于新型磁符号拉普拉斯算子的谱图神经网络。第一届图形学习会议记录，英寸机器学习研究进展198:40:1-40:39网址：https://proceedings.mlr.press/v198/he22c.html。

相关材料