🤖 machine learning

Nonlinear Laplacians Improve Signed-Directed Graph Learning

यह शोध पत्र एक नवीन नॉनलीनर लाप्लासियन ऑपरेटर (NLSD) प्रस्तुत करता है जो साइन्ड-डायरेक्टेड ग्राफ्स के लिए विशेष रूप से तैयार किया गया है, जो दिशा-संरेखित विभव विसंगतियों (direction-aligned potential discrepancies) का लाभ उठाकर एक कुशल स्पेक्ट्रल GNN फ्रेमवर्क (NLSD-GNN) का निर्माण करता है जो नोड वर्गीकरण और लिंक प्रेडिक्शन कार्यों में मौजूदा विधियों से बेहतर प्रदर्शन करता है।

मूल लेखक: Ali Parviz, Yuichi Yoshida

प्रकाशित 2026-08-04

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ali Parviz, Yuichi Yoshida

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

इंटरनेट, सोशल मीडिया, या यहाँ तक कि एक हाई स्कूल कैफेटेरिया की कल्पना केवल इस रूप में न करें कि कौन किसे जानता है, बल्कि इसे रिश्तों के एक जीवित, सांस लेते हुए जाल के रूप में देखें। कंप्यूटर विज्ञान की दुनिया में, इसे "ग्राफ" कहा जाता है, जहाँ लोग बिंदु (dots) हैं और उनके संबंध रेखाएँ हैं। लेकिन वास्तविक जीवन केवल इस बारे में नहीं है कि कौन किसका दोस्त है; यह इस बारे में है कि वे कैसा महसूस करते हैं। कुछ रेखाएँ उज्ज्वल और सुखद (सकारात्मक मित्रता) होती हैं, जबकि अन्य तूफानी और तनावपूर्ण (नकारात्मक प्रतिद्वंद्विता) होती हैं। इसके अलावा, प्रभाव हमेशा दो-तरफा नहीं होता; कभी-कभी व्यक्ति A, व्यक्ति B को प्रभावित करता है, लेकिन व्यक्ति B, व्यक्ति A की परवाह नहीं करता है। "अच्छी/बुरी" भावनाओं और "एक-तरफा/दो-तरफा" प्रभाव का यह मिश्रण एक जटिल पहेली बनाता है जिसे मानक कंप्यूटर प्रोग्राम हल करने में संघर्ष करते हैं।

वर्षों से, वैज्ञानिक कंप्यूटर को इन उलझे हुए नेटवर्क को समझने के लिए एक गणितीय उपकरण सिखाने की कोशिश कर रहे हैं जिसे "लैपलेसियन" (Laplacian) कहा जाता है। लैपलेसियन को एक विशेष प्रकार के फिल्टर या नियमों के सेट के रूप में समझें जो कंप्यूटर को यह समझने में मदद करता है कि जानकारी एक व्यक्ति से दूसरे व्यक्ति तक कैसे प्रवाहित होती है। हालाँकि, इनमें से अधिकांश फिल्टर सरल, एक-तरफा या विशुद्ध रूप से मैत्रीपूर्ण नेटवर्क के लिए बनाए गए थे। वे एक चपटे, गोल कुकी कटर का उपयोग करके एक टेढ़े-मेढ़े, तारे के आकार के कुकी को काटने की कोशिश करने जैसे थे; वे वास्तविक दुनिया के आकार में फिट नहीं बैठते थे। बड़ा सवाल यह था: क्या हम एक स्मार्ट, अधिक लचीला फिल्टर बना सकते हैं जो एक साथ "अच्छे बनाम बुरे" और "कौन किसे प्रभावित करता है" दोनों पहलुओं को समझ सके?

यह शोध पत्र एक चतुर नए समाधान को पेश करता है जिसे NLSD-GNN (नॉन-लीनियर साइन्ड-डायरेक्टेड ग्राफ न्यूरल नेटवर्क) कहा जाता है। लेखक, अली परविज और यूइची योशिदा, एक बिल्कुल नए प्रकार के गणितीय फिल्टर—एक "नॉन-लीनियर साइन्ड-डायरेक्टेड लैपलेसियन"—का प्रस्ताव करते हैं जो नेटवर्क के माध्यम से बहने वाली सूचना के लिए एक स्मार्ट ट्रैफिक पुलिसकर्मी की तरह कार्य करता है।

यह कैसे काम करता है, इसे सरल अंग्रेजी (और हिंदी) में समझें: कल्पना करें कि आप लोगों की एक पंक्ति में एक संदेश पास करने की कोशिश कर रहे हैं। एक सामान्य नेटवर्क में, संदेश हर जगह बहता है। लेकिन इस नई प्रणाली में, कंप्यूटर पहले प्रत्येक व्यक्ति से पूछता है, "आपके पास कितनी ऊर्जा है?" (उनके फीचर्स के आधार पर)। फिर, यह सड़क के नियमों की जाँच करता है:

दिशा का नियम (The Direction Rule): यदि संदेश व्यक्ति A से व्यक्ति B को जाना चाहिए, लेकिन व्यक्ति B के पास व्यक्ति A की तुलना में "उच्च ऊर्जा" है, तो संदेश रुक जाता है। यह तभी प्रवाहित होता है जब भेजने वाले के पास इसे आगे बढ़ाने के लिए पर्याप्त "क्षमता" (potential) हो।
चिह्न का नियम (The Sign Rule): यदि संबंध मैत्रीपूर्ण (सकारात्मक) है, तो संदेश सामान्य रूप से बहता है। यदि संबंध शत्रुतापूर्ण (नकारात्मक) है, तो नियम बदल जाते हैं। संदेश तभी प्रवाहित होता है जब "ऊर्जा" का अंतर संघर्ष के साथ एक विशिष्ट तरीके से मेल खाता है।

अनिवार्य रूप से, कंप्यूटर उन कनेक्शनों को अनदेखा कर देता है जो उस क्षण में तर्कसंगत नहीं लगते और केवल उन्हीं रास्तों पर जानकारी को यात्रा करने देता है जहाँ "ऊर्जा" और "दिशा" सहमत होते हैं। यह "रेड लाइट, ग्रीन लाइट" के खेल जैसा है जहाँ रिश्ते के मूड और प्रवाह की दिशा के आधार पर लाइट बदलती है। ऐसा करके, कंप्यूटर नेटवर्क की संरचना की बहुत स्पष्ट तस्वीर बना सकता है।

शोधकर्ताओं ने कई वास्तविक दुनिया के डेटासेट्स पर इस नई पद्धति का परीक्षण किया, जिसमें ऐसे सोशल नेटवर्क शामिल हैं जहाँ उपयोगकर्ता एक-दूसरे पर भरोसा या अविश्वास करते हैं (जैसे बिटकॉइन ट्रेडिंग नेटवर्क) और ऐसे साइटेशन नेटवर्क जहाँ शोध पत्र एक-दूसरे को संदर्भित करते हैं। उन्होंने कंप्यूटर को दो मुख्य कार्य करने के लिए कहा:

नोड वर्गीकरण (Node Classification): यह अनुमान लगाना कि एक नोड किस "प्रकार" का व्यक्ति है (जैसे, क्या यह एक बॉट है, एक ट्रेडर है, या एक छात्र है?) उसके कनेक्शन के आधार पर।
लिंक भविष्यवाणी (Link Prediction): यह अनुमान लगाना कि क्या दो लोगों के बीच कोई संबंध मौजूद है, और यदि है, तो क्या वह सकारात्मक है या नकारात्मक, और वह किस दिशा में इंगित करता है।

परिणाम प्रभावशाली थे। नया NLSD-GNN मॉडल मानक, "मैत्रीपूर्ण" नेटवर्क पर मौजूदा कई तरीकों से लगातार बेहतर रहा। नोड वर्गीकरण परीक्षणों में, इसने लगभग हर डेटासेट पर शीर्ष तीन में स्थान बनाया, और उन विशेष मॉडलों को भी पीछे छोड़ दिया जो केवल निर्देशित (directed) ग्राफों के लिए डिज़ाइन किए गए थे। हालाँकि, उन डेटासेट्स पर जहाँ मित्र अक्सर अलग-अलग विशेषताओं वाले होते हैं (हेटरोफिलिक नेटवर्क), मॉडल ने अच्छा प्रदर्शन किया लेकिन विशेष रूप से उन कठिन वातावरणों के लिए डिज़ाइन किए गए सर्वश्रेष्ठ तरीकों से थोड़ा पीछे रह गया।

लिंक भविष्यवाणी कार्यों के लिए, जो बहुत कठिन हैं क्योंकि उनके लिए चिह्न और दिशा दोनों को एक साथ समझना आवश्यक है, नए मॉडल ने परीक्षण किए गए लगभग सभी डेटासेट्स और कार्यों पर उच्चतम सटीकता प्राप्त की। इसने विशेष रूप से अधिकांश परिदृश्यों में दबदबा बनाया, हालांकि इसे विशिष्ट जटिल चुनौतियों का सामना करना पड़ा, जैसे कि बिटकॉइन-अल्फा डेटासेट पर "4-क्लास" भविष्यवाणी कार्य, जहाँ यह बहुत करीब था लेकिन शीर्ष स्थान से मामूली रूप से चूक गया। उदाहरण के लिए, "बिटकॉइन-अल्फा" डेटासेट पर, इसने 72.7% सटीकता के साथ लिंक संकेतों की भविष्यवाणी की, जो पिछले सर्वश्रेष्ठ 71.3% से बेहतर था।

शोध पत्र सुझाव देता है कि इस गैर-रेखीय (non-linear) दृष्टिकोण का उपयोग करके, कंप्यूटर केवल नेटवर्क को याद नहीं करता है; यह यह समझने के लिए सीखता है कि प्रभाव और संघर्ष वास्तव में कैसे फैलते हैं। जबकि लेखक नोट करते हैं कि उनका तरीका वर्तमान में बहुत तेज़ और कुशल है, वे स्वीकार करते हैं कि इसे अरबों नोड्स वाले विशाल नेटवर्क तक ले जाना भविष्य के लिए एक चुनौती है। वे यह भी बताते हैं कि जबकि यह उन नेटवर्क पर बहुत अच्छा काम करता है जहाँ दोस्त दोस्त ही होते हैं (होमोफिली), इसे उन नेटवर्क को संभालने के लिए अधिक काम की आवश्यकता हो सकती है जहाँ विपरीत आकर्षण रखते हैं (हेटरोफिली)।

संक्षेप में, यह शोध पत्र केवल टूलबॉक्स में एक नया उपकरण नहीं जोड़ता है; यह उस उपकरण को ही पुनर्गठित करता है ताकि यह मानवीय रिश्तों की टेढ़ी-मेढ़ी, रंगीन और एक-तरफा वास्तविकता में फिट हो सके। यह साबित करता है कि जब आप एक ऐसा मॉडल बनाते हैं जो प्रभाव की दिशा और रिश्ते की प्रकृति दोनों का सम्मान करता है, तो आपको दुनिया का बहुत अधिक सटीक और स्पष्ट दृश्य मिलता है।

तकनीकी सारांश: नॉनलीन लैपलेसियन साइन्ड-डायरेक्टेड ग्राफ लर्निंग में सुधार करते हैं

समस्या विवरण

वास्तविक दुनिया की प्रणालियों में अक्सर ऐसी अंतःक्रियाएं शामिल होती हैं जो साइन्ड (धनात्मक/ऋणात्मक, जैसे विश्वास/अविश्वास, पसंद/नापसंद) और डायरेक्टेड (असममित, जैसे A से B तक प्रभाव का प्रवाह) दोनों होती हैं। जबकि ग्राफ न्यूरल नेटवर्क (GNNs) को मानक ग्राफों के लिए सफलतापूर्वक लागू किया गया है, साइन्ड-डायरेक्टेड ग्राफों (signed-directed graphs) के लिए उन्हें सामान्यीकृत करना चुनौतीपूर्ण बना हुआ है। मौजूदा दृष्टिकोण मुख्य रूप से दिशात्मकता और संकेतों को अलग-अलग संभालने या विशिष्ट रैखिक परिभाषाओं के माध्यम से रैखिक लैपलेसियन ऑपरेटरों (linear Laplacian operators) या जटिल मैग्नेटिक लैपलेसियनों पर निर्भर करते हैं। हालांकि, विशेष रूप से साइन्ड-डायरेक्टेड नेटवर्क के लिए डिज़ाइन किए गए नॉन-लीनियर लैपलेसियन ऑपरेटरों (nonlinear Laplacian operators) पर केंद्रित शोध की कमी है। मुख्य चुनौती एक ऐसा ऑपरेटर परिभाषित करने की है जो इन ग्राफों की कॉम्बिनेटोरियल संरचना को प्रभावी ढंग से कैप्चर कर सके और साथ ही नोड क्लासिफिकेशन और लिंक प्रेडिक्शन जैसे डाउनस्ट्रीम कार्यों के लिए कम्प्यूटेशनल दक्षता और अभिव्यक्तता बनाए रखे।

कार्यप्रणाली: NLSD और NLSD-GNN

यह शोध पत्र एक नवीन नॉनलीनर लैपलेसियन फॉर साइन्ड-डायरेक्टेड ग्राफ्स (NLSD) और एक संगत स्पेक्ट्रल GNN फ्रेमवर्क, NLSD-GNN पेश करता है।

1. द नॉनलीनर साइन्ड-डायरेक्टेड लैपलेसियन (NLSD)

लेखक साइन्ड-डायरेक्टेड ग्राफों के लिए नॉनलीनर लैपलेसियन (योशिदा, 2016) की परिभाषा को किनारों के संकेतों (edge signs) को शामिल करने के लिए विस्तारित करते हैं। ऑपरेटर $L_G(x)$ को एक नोड पोटेंशियल वेक्टर $x \in \mathbb{R}^V$ के फलन के रूप में परिभाषित किया गया है:

ग्राफ ट्रांसफॉर्मेशन (एज ड्रॉपआउट और सेल्फ-लूप्स):
एक दिए गए पोटेंशियल वेक्टर $x$ के लिए, मूल साइन्ड-डायरेक्टेड ग्राफ $G$ को एक साइन्ड-अनडायरेक्टेड ग्राफ $G_x$ में बदल दिया जाता है:
- प्रत्येक डायरेक्टेड एज $(u, v)$ $(u, v)$ के लिए जिसका साइन $s \in \{+, -\}$ $s \in {+, -}$ है:
  - यदि $x_u \geq x_v$ : एक अनडायरेक्टेड एज $\{u, v\}$ जिसमें वही साइन $s$ और वेट $w(e)$ है, $G_x$ में शामिल किया जाता है।
  - यदि $x_u < x_v$ : एज को "ड्रॉप" कर दिया जाता है, और उसी साइन $s$ के साथ वेट $w(e)/2$ वाले सेल्फ-लूप $\{u, u\}$ और $\{v, v\}$ पेश किए जाते हैं।
- यह तंत्र सुनिश्चित करता है कि मैसेज पासिंग केवल उन किनारों के साथ हो जहाँ पोटेंशियल का अंतर किनारे की दिशा के अनुरूप हो (या सेल्फ-लूप के माध्यम से न्यूट्रलाइज हो जाए)।
लैपलेसियन कंस्ट्रक्शन:
परिणामी साइन्ड-अनडायरेक्टेड ग्राफ $G_x$ के लिए मानक रैखिक लैपलेसियन $L_{G_x}$ की गणना की जाती है। अंतिम ऑपरेटर आउटपुट $L_G(x) = L_{G_x} x$ है।
क्वाड्रेटिक फॉर्म प्रॉपर्टीज:
क्वाड्रेटिक फॉर्म $Q_G(x) = x^\top L_G(x)$ साइन्ड और डायरेक्टेड ग्राफ के कट गुणों का सामान्यीकरण करता है। इस फॉर्म को मिनिमाइज करना वर्टिसों को इस तरह एम्बेड करने के लिए प्रोत्साहित करता है कि धनात्मक किनारों के लिए, टेल (tail) हेड (head) के बाईं ओर हो ( $x_u \geq x_v$ ), और ऋणात्मक किनारों के लिए, टेल हेड के दाईं ओर हो ( $x_u \leq x_v$ ), जो प्रभावी रूप से स्ट्रक्चरल बैलेंस और दिशात्मकता को कैप्चर करता है।
सैद्धांतिक गारंटी:
पेपर यह सिद्ध करता है कि प्रस्तावित ऑपरेटर पॉजिटिव सेमीडेफिनेट (positive semidefinite) हैं और नॉर्मलाइज्ड लैपलेसियन के आइगेनवैल्यू $[0, 2]$ की रेंज में स्थित हैं, जो पारंपरिक ग्राफ लैपलेसियनों के समान है।

2. NLSD-GNN आर्किटेक्चर

GNN में इस ऑपरेटर का उपयोग करने के लिए, लेखक नोड फीचर्स $H$ से आवश्यक पोटेंशियल वेक्टर $x$ उत्पन्न करने के लिए दो वेरिएंट प्रस्तावित करते हैं:

NLSD-GNN-MLP: यह एक मल्टी-लेयर पर्सपेप्ट्रॉन (MLP) का उपयोग करता है जिसमें tanh एक्टिवेशन होता है, जो नोड फीचर्स के डाइमेंशनलिटी को प्रत्येक नोड के लिए एक स्केलर वैल्यू (1D वेक्टर) तक धीरे-धीरे कम करता है।
NLSD-GNN-Fast: यह नोड फीचर्स को स्केलर वैल्यू में मैप करने के लिए एक रैंडम प्रोजेक्शन का उपयोग करता है, जो एक कम्प्यूटेशनल रूप से कुशल विकल्प प्रदान करता है।

वर्कफ़्लो:

फीचर प्रोजेक्शन: नोड फीचर्स $H$ को एक स्केलर वेक्टर $x$ में प्रोजेक्ट किया जाता है।
ग्राफ ट्रांसफॉर्मेशन: इनपुट साइन्ड-डायरेक्टेड ग्राफ को $x$ के आधार पर एक साइन्ड-अनडायरेक्टेड ग्राफ $G_x$ में परिवर्तित किया जाता है।
स्पेक्ट्रल कन्वोल्यूशन: रूपांतरित ग्राफ के रैखिक लैपलेसियन का उपयोग करके मानक स्पेक्ट्रल GNN लेयर्स (जैसे ChebNet-शैली) को $G_x$ पर लागू किया जाता है।
प्रेडिक्शन: आउटपुट को नोड क्लासिफिकेशन के लिए एक लीनियर लेयर और सॉफ्टमैक्स के माध्यम से या लिंक प्रेडिक्शन के लिए कॉन्कैटिनेट किया जाता है।

मुख्य योगदान

नवीन ऑपरेटर परिभाषा: साइन्ड-डायरेक्टेड ग्राफों के लिए विशेष रूप से नॉन-लीनर लैपलेसियन की पहली परिभाषा, जो डायरेक्टेड ग्राफ लैपलेसियनों (योशिदा, 2016) और साइन्ड ग्राफ लैपलेसियनों (हौ एट अल., 2003) की अवधारणाओं को एकीकृत करती है।
सैद्धांतिक अभिव्यक्तता: प्रमाण कि ऑपरेटर चेकर-जैसे (Cheeger-like) असमानताओं को संतुष्ट करता है और इसमें स्पेक्ट्रल ग्राफ थ्योरी के अनुकूल स्पेक्ट्रल गुण (पॉजिटिव सेमीडेफिनेटनेस, बाउंडेड आइगेनवैल्यू) हैं।
कुशल फ्रेमवर्क (NLSD-GNN): एक स्पेक्ट्रल GNN आर्किटेक्चर जो हर स्टेप पर जटिल आइगेन-डेकंपोजिशन की आवश्यकता के बिना, स्पार्स-डेंस मैट्रिक्स मल्टीप्लिकेशन पर भरोसा करते हुए, इस नॉन-लीनर ऑपरेटर का लाभ उठाता है।
व्यापक मूल्यांकन: नोड क्लासिफिकेशन (डायरेक्टेड और साइन्ड-डायरेक्टेड) और लिंक प्रेडिक्शन (साइन, डायरेक्शन और मल्टी-क्लास) पर व्यापक प्रयोग जो स्टेट-ऑफ-द-आर्ट या प्रतिस्पर्धी प्रदर्शन प्रदर्शित करते हैं।

प्रयोगात्मक परिणाम

नोड क्लासिफिकेशन

डेटासेट्स: डायरेक्टेड ग्राफ्स (Cornell, Texas, Wisconsin, Cora-ML, CiteSeer) और हेटरोफिलिक डायरेक्टेड ग्राफ्स (Chameleon, Squirrel, Arxiv-Year, Roman-Empire) पर परीक्षण किया गया।
प्रदर्शन:
- होमोफिलिक डायरेक्टेड डेटासेट्स पर, NLSD-GNN वेरिएंट लगातार टॉप थ्री में रहे, जिन्होंने कई डेटासेट्स पर मैगनेट (MagNet) जैसे स्पेक्ट्रल बेसलाइन्स और SAGE और GAT जैसे नॉन-स्पेक्ट्रल मेथड्स को पछाड़ दिया (उदाहरण के लिए, Texas, Wisconsin पर सर्वश्रेष्ठ परिणाम प्राप्त करना और Cornell पर दूसरे स्थान पर आना)।
- हेटरोफिलिक डायरेक्टेड ग्राफ्स पर, NLSD-GNN ने मैगनेट और अन्य स्पेक्ट्रल मेथड्स को पीछे छोड़ दिया, हालांकि यह स्पेशलाइज्ड हेटरोफिलिक मॉडल्स जैसे HoloNet या Dir-GNN (जो साइन्ड डेटा के लिए डिज़ाइन नहीं किए गए हैं) से आगे नहीं निकल पाया।

साइन्ड-डायरेक्टेड ग्राफ्स पर लिंक प्रेडिक्शन

डेटासेट्स: Bitcoin-Alpha, Bitcoin-OTC, Slashdot, Epinions.
टास्क: साइन प्रेडिक्शन (SP), डायरेक्शन प्रडिक्शन (DP), और मल्टी-क्लास टास्क (3C, 4C, 5C)।
प्रदर्शन:
- NLSD-GNN-Fast ने लगभग सभी डेटासेट्स और टास्क पर सभी बेसलाइन मेथड्स (SGCN, SDGNN, SiGAT, SNEA, SSSNET, SigMaNet, MSGNN सहित) को पछाड़ दिया।
- मॉडल ने विशेष रूप से उन कार्यों में मजबूती दिखाई जहाँ साइन और डायरेक्शन को एक साथ संभालना आवश्यक था (4C और 5C), जो यूनिफाइड नॉन-लीनर ऑपरेटर की प्रभावशीलता की पुष्टि करता है।
- एब्लेशन स्टडीज ने पुष्टि की कि साइन्ड फीचर्स और डायरेक्शनल इंफॉर्मेशन दोनों को शामिल करने से सर्वोत्तम परिणाम मिलते हैं।

महत्व और दावे

पेपर दावा करता है कि NLSD-GNN फ्रेमवर्क स्पेक्ट्रल ग्राफ थ्योरी और साइन्ड-डायरेक्टेड ग्राफ लर्निंग के बीच के अंतर को सफलतापूर्वक पाटता है। एक नॉन-लीनर लैपलेसियन पेश करके जो नोड पोटेंशियल के आधार पर ग्राफ संरचना को गतिशील रूप से अनुकूलित करता है, यह विधि:

साइन्ड और डायरेक्शनल डेटा को एकीकृत करती है: यह किनारों के साइन और दिशा के बीच की परस्पर क्रिया को प्रभावी ढंग से मॉडल करती है, जिसे रैखिक ऑपरेटर अक्सर अत्यधिक पैरामीटर्स के बिना एक साथ कैप्चर करने में संघर्ष करते हैं।
बेहतर प्रदर्शन प्राप्त करती है: यह साइन्ड-डायरेक्टेड ग्राफ्स पर लिंक प्रेडिक्शन के लिए नए स्टेट-ऑफ-द-आर्ट बेंचमार्क स्थापित करती है और नोड क्लासिफिकेशन के लिए अग्रणी GNNs के साथ मजबूती से प्रतिस्पर्धा करती है।
दक्षता बनाए रखती है: पोटेंशियल जनरेशन के लिए रैंडम प्रोजेक्शन या सरल MLPs का उपयोग, और स्पार्स मैट्रिक्स ऑपरेशन्स के साथ मिलकर, यह सुनिश्चित करता है कि विधि अन्य स्पेक्ट्रल दृष्टिकोणों की तुलना में कम्प्यूटेशनल रूप से कुशल ($O(MFd)$ कॉम्प्लेक्सिटी) बनी रहे।

लेखक निष्कर्ष निकालते हैं कि उनका कार्य उन जटिल प्रणालियों के विश्लेषण के लिए एक मजबूत, सैद्धांतिक रूप से आधारित और व्यावहारिक रूप से प्रभावी उपकरण प्रदान करता है जहाँ अंतःक्रियाएं साइन्ड और डायरेक्टेड दोनों हैं, जैसे कि सोशल नेटवर्क, वित्तीय विश्वास नेटवर्क और ओपिनियन डायनेमिक्स।