ترجمه فارسی مقاله کاهش سوگسرس درجه در شبکه های عصبی نمودار امضا شده

چکیده

Like Graph Neural Networks (GNNs), Signed Graph Neural Networks (SGNNs) are also up against fairness issues from source data and typical aggregation method. In this paper, we are pioneering to make the investigation of fairness in SGNNs expanded from GNNs. We identify the issue of degree bias within signed graphs, offering a new perspective on the fairness issues related to SGNNs. To handle the confronted bias issue, inspired by previous work on degree bias, a new Model-Agnostic method is consequently proposed to enhance representation of nodes with different degrees, which named as Degree Debiased Signed Graph Neural Network (DD-SGNN) . More specifically, in each layer, we make a transfer from nodes with high degree to nodes with low degree inside a head-to-tail triplet, which to supplement the underlying domain missing structure of the tail nodes and meanwhile maintain the positive and negative semantics specified by balance theory in signed graphs. We make extensive experiments on four real-world datasets. The result verifies the validity of the model, that is, our model mitigates the degree bias issue without compromising performance($\textit{i.e.}$, AUC, F1). The code is provided in supplementary material.

چکیده به فارسی (ترجمه ماشینی)

مانند شبکه های عصبی نمودار (GNN) ، شبکه های عصبی نمودار امضا شده (SGNN) نیز در برابر مشکلات انصاف از داده های منبع و روش تجمع معمولی هستند.در این مقاله ، ما پیشگام هستیم تا تحقیقات انصاف در SGNN ها را از GNN گسترش دهیم.ما مسئله تعصب درجه را در نمودارهای امضا شده شناسایی می کنیم و دیدگاه جدیدی در مورد موضوعات انصاف مربوط به SGNN ها ارائه می دهیم.برای رسیدگی به مسئله تعصب متضاد ، با الهام از کار قبلی در مورد تعصب درجه ، یک روش جدید مدل-آگنوستیک برای تقویت بازنمایی گره ها با درجه های مختلف ، که به عنوان شبکه عصبی نمودار امضا شده درجه (DD-SGNN) نامگذاری شده است ، پیشنهاد شده است.به طور خاص تر ، در هر لایه ، ما از گره هایی با درجه بالا به گره هایی با درجه پایین در داخل سه گانه سر به دم ، انتقال می دهیم که برای تکمیل ساختار مفقود شده دامنه زیر گره های دم و در عین حال حفظ معناشناسی مثبت و منفیمشخص شده توسط تئوری تعادل در نمودارهای امضا شده.ما آزمایش های گسترده ای را در چهار مجموعه داده در دنیای واقعی انجام می دهیم.نتیجه ، اعتبار مدل را تأیید می کند ، یعنی مدل ما مسئله تعصب درجه را بدون به خطر انداختن عملکرد کاهش می دهد ($ \ textit {یعنی} $ ، AUC ، F1).کد در مواد تکمیلی ارائه شده است.