Jaringan Syaraf Tiruan Dalam Adaptif dengan Multi-Headed Self-Attention untuk Meningkatkan Kinerja Pembelajaran Representasi Jaringan Sosial dan Prediksi Tautan

ABSTRAK
Prediksi tautan telah lama menjadi tugas mendasar dalam analisis data grafik, yang ditujukan untuk mengidentifikasi koneksi potensial atau yang hilang antara node. Tugas ini sangat penting untuk memahami dinamika sosial dan meningkatkan ketahanan jaringan. Namun, metode pembelajaran grafik yang ada sering kali kesulitan dalam pemodelan struktur yang kompleks, terutama dalam jaringan sosial yang datanya bising, tidak pasti, serta memiliki banyak sisi. Sebagian besar arsitektur penyematan grafik tradisional terbatas dalam kemampuannya untuk menangani bising dan secara efektif merepresentasikan informasi multi-tampilan. Demikian pula, ada beberapa jaringan saraf grafik (GNN) yang menghadapi tantangan dalam mengintegrasikan beragam perspektif struktural dan mengelola ketidakpastian, yang mengarah pada kinerja yang buruk dalam tugas prediksi tautan. Untuk mengatasi tantangan ini, kami mengusulkan model baru yang disebut AFGRL yang merupakan pembelajaran representasi grafik fuzzy yang digerakkan oleh perhatian. AFGRL yang kami usulkan menggabungkan beberapa jenis GNN untuk penyematan multi-tampilan dengan jaringan saraf fuzzy yang ditingkatkan oleh perhatian multi-kepala. Desain ini memungkinkan model AFGRL kami untuk mempelajari representasi grafik yang lebih kaya dan lebih ekspresif dengan lebih baik sambil secara efektif mengelola ketidakpastian dan bising. Mekanisme perhatian yang terintegrasi ke dalam model AFGRL kami memungkinkannya untuk fokus pada berbagai aspek struktural grafik—sementara komponen logika fuzzy menangkap ambiguitas yang melekat dalam data jaringan sosial. Model kami secara khusus disesuaikan untuk jaringan sosial daring—di mana hubungan pengguna bersifat dinamis dan dicirikan oleh berbagai tingkat kepercayaan dan pengaruh. Kami mengevaluasi AFGRL pada beberapa set data dunia nyata dan tolok ukur, yang menunjukkan kinerjanya yang unggul dalam prediksi tautan dibandingkan dengan garis dasar terkini. Hasilnya menegaskan bahwa model AFGRL kami tidak hanya meningkatkan akurasi prediktif tetapi juga memberikan representasi struktural yang kuat dan bermakna; sebagai hasilnya, menyoroti nilai dari mengintegrasikan perhatian dan logika fuzzy ke dalam kerangka pembelajaran grafik.