在现实世界中,签名的定向网络无处不在。但是,对于分析此类网络的方法,较少的工作提出了频谱图神经网络(GNN)方法。在这里,我们介绍了一个签名的定向拉普拉斯矩阵,我们称之为磁性签名的laplacian,作为在签名的图表上签名的laplacian的自然概括,在有向图上的磁Laplacian。然后,我们使用此矩阵来构建一种新型的光谱GNN结构,并在节点聚类和链接预测任务上进行广泛的实验。在这些实验中,我们考虑了与签名信息有关的任务,与定向信息相关的任务以及与签名和定向信息有关的任务。我们证明,我们提出的光谱GNN有效地合并了签名和定向信息,并在广泛的数据集中获得领先的性能。此外,我们提供了一种新颖的合成网络模型,我们称之为签名的定向随机块模型,以及许多基于财务时间序列中铅滞后关系的新型现实世界数据集。
translated by 谷歌翻译