ترجمه فارسی مقاله Se-Sgformer: یک ترانسفورماتور نمودار امضا شده خود برای پیش بینی علامت پیوند

چکیده

Signed Graph Neural Networks (SGNNs) have been shown to be effective in analyzing complex patterns in real-world situations where positive and negative links coexist. However, SGNN models suffer from poor explainability, which limit their adoptions in critical scenarios that require understanding the rationale behind predictions. To the best of our knowledge, there is currently no research work on the explainability of the SGNN models. Our goal is to address the explainability of decision-making for the downstream task of link sign prediction specific to signed graph neural networks. Since post-hoc explanations are not derived directly from the models, they may be biased and misrepresent the true explanations. Therefore, in this paper we introduce a Self-Explainable Signed Graph transformer (SE-SGformer) framework, which can not only outputs explainable information while ensuring high prediction accuracy. Specifically, We propose a new Transformer architecture for signed graphs and theoretically demonstrate that using positional encoding based on signed random walks has greater expressive power than current SGNN methods and other positional encoding graph Transformer-based approaches. We constructs a novel explainable decision process by discovering the $K$-nearest (farthest) positive (negative) neighbors of a node to replace the neural network-based decoder for predicting edge signs. These $K$ positive (negative) neighbors represent crucial information about the formation of positive (negative) edges between nodes and thus can serve as important explanatory information in the decision-making process. We conducted experiments on several real-world datasets to validate the effectiveness of SE-SGformer, which outperforms the state-of-the-art methods by improving 2.2\% prediction accuracy and 73.1\% explainablity accuracy in the best-case scenario.

چکیده به فارسی (ترجمه ماشینی)

نشان داده شده است که شبکه های عصبی نمودار امضا شده (SGNN) در تجزیه و تحلیل الگوهای پیچیده در موقعیت های دنیای واقعی که پیوندهای مثبت و منفی در آن همزیستی هستند ، مؤثر هستند.با این حال ، مدل های SGNN از توضیح ضعیف رنج می برند ، که پذیرش آنها را در سناریوهای مهم محدود می کند که نیاز به درک دلیل منطقی پیش بینی ها دارند.به بهترین دانش ما ، در حال حاضر هیچ کار تحقیقاتی در مورد توضیح مدل های SGNN وجود ندارد.هدف ما پرداختن به توضیحات تصمیم گیری برای کار پایین دست پیش بینی علامت پیوند خاص برای شبکه های عصبی نمودار امضا شده است.از آنجا که توضیحات بعد از تعقیب مستقیماً از مدل ها گرفته نمی شود ، ممکن است توضیحات واقعی مغرضانه و نادرست باشند.بنابراین ، در این مقاله ما یک چارچوب ترانسفورماتور نمودار امضا شده خود را به امضاء (SE-SGFormer) معرفی می کنیم ، که نه تنها می تواند اطلاعات قابل توضیح را در حالی که از دقت پیش بینی بالا اطمینان می دهد ، دریافت کند.به طور خاص ، ما یک معماری ترانسفورماتور جدید را برای نمودارهای امضا شده پیشنهاد می کنیم و از لحاظ تئوریکی نشان می دهد که استفاده از رمزگذاری موقعیتی بر اساس پیاده روی های تصادفی امضا شده دارای قدرت بیان بیشتری نسبت به روشهای فعلی SGNN و سایر رویکردهای مبتنی بر ترانسفورماتور است.ما با کشف همسایگان $ $ $ (دورترین) مثبت (منفی) یک گره برای جایگزینی رمزگذار مبتنی بر شبکه عصبی برای پیش بینی علائم لبه ، یک فرایند تصمیم قابل توضیح جدید را ایجاد می کنیم.این همسایگان $ K $ مثبت (منفی) نشان دهنده اطلاعات مهم در مورد تشکیل لبه های مثبت (منفی) بین گره ها هستند و بنابراین می توانند به عنوان اطلاعات توضیحی مهم در فرآیند تصمیم گیری خدمت کنند.ما آزمایشاتی را در چندین مجموعه داده در دنیای واقعی انجام دادیم تا بتوانیم اثربخشی Se-Sgformer را تأیید کنیم ، که با بهبود دقت پیش بینی 2.2 \ ٪ و دقت توضیحات در سناریوی بهترین حالت ، از روشهای پیشرفته و پیشرفته تر است.