CopulaGNN: Skalierbare Kantenabhängigkeiten für Link‑Sign‑Vorhersage
Die Vorhersage von Link‑Signen in signierten Graphen stellt eine besondere Herausforderung dar: negative Kanten verletzen die Homophilie‑Annahme, dass benachbarte Knoten ähnlich sind, und machen herkömmliche Graph‑Methoden ungeeignet. Um dieses Problem direkt anzugehen, erweitert die neue Arbeit CopulaGNN um die Modellierung latenter statistischer Abhängigkeiten zwischen Kanten mittels einer Gaußschen Copula.
Ein naiver Ansatz, alle Kantenbeziehungen explizit zu modellieren, wäre bei moderaten Graphgrößen jedoch rechnerisch untragbar. Die Autoren lösen dieses Problem, indem sie die Korrelationsmatrix als Gramian von Kanteneinbettungen darstellen, was die Parameterzahl drastisch reduziert. Zusätzlich wird die bedingte Wahrscheinlichkeitsverteilung neu formuliert, um die Inferenzkosten erheblich zu senken.
Die theoretische Analyse bestätigt die Skalierbarkeit des Ansatzes durch einen Beweis linearer Konvergenz. Umfangreiche Experimente zeigen, dass die Methode nicht nur schneller konvergiert als bestehende Baselines, sondern gleichzeitig eine konkurrenzfähige Vorhersageleistung erzielt – ein bedeutender Fortschritt für die Analyse von signierten Netzwerken.