Mejorar las redes neuronales de gráficos firmados a través de la formación basada en el plan de estudios

Área de la Ciencia:

• Teoría de los gráficos
• Aprendizaje automático
• Ciencia de las redes

Sus antecedentes:

• Los gráficos firmados modelan relaciones complejas con conexiones positivas y negativas.
• Las redes neuronales de gráficos firmados (SGNNs) son herramientas emergentes para analizar gráficos firmados.
• La formación actual de SGNN carece de un enfoque estructurado, utilizando el ordenamiento de muestras aleatorias.

Objetivo del estudio:

• Desarrollar un plan de formación especializado para los SGNN.
• Para abordar el desafío de las diferentes dificultades de aprendizaje en gráficos firmados.
• Mejorar el rendimiento y la estabilidad de los modelos SGNN.

Principales métodos:

• Propuso un marco de aprendizaje de representación del currículo para los gráficos firmados (CSG).
• Desarrolló un medidor de dificultad ligero para bordes en gráficos firmados.
• Implementó un programa para ordenar muestras de capacitación de fácil a difícil para los SGNN.

Principales resultados:

• Mejora de la precisión de los modelos populares de SGNN hasta un 23,7%.
• Se redujo la desviación estándar en un 8,4%, mejorando la estabilidad del modelo.
• Validado empíricamente en seis conjuntos de datos de gráficos firmados del mundo real.

Conclusiones:

• El aprendizaje curricular beneficia significativamente a las SGNN al optimizar el orden de muestreo de la formación.
• El marco CSG ofrece un método práctico y eficaz para la formación de los SGNN.
• El enfoque propuesto conduce a un aprendizaje de representación de gráficos firmados más preciso y estable.