基于图神经网络链接预测的非对称学习
机器学习
2023-03-02 v1 社会与信息网络
摘要
链接预测是许多基于图的应⽤（如蛋⽩质-蛋⽩质相互作⽤预测）中的基础问题。图神经网络（GNN）近期被广泛用于链接预测。然而，现有基于GNN的链接预测（GNN-LP）方法在大规模图训练时存在可扩展性问题，却鲜少受到研究者关注。本文首先对现有GNN-LP方法进行计算复杂度分析，揭示其可扩展性问题源于采用同类GNN模型学习头尾节点表示的对称学习策略。随后我们提出一种新方法——非对称学习（AML）用于GNN-LP。AML的核心思想是对头节点表示采用GNN模型学习，而对尾节点表示使用多层感知机（MLP）模型学习。此外，AML提出逐行采样策略以生成训练小批量，这是使非对称学习策略实现训练加速的必要组件。据我们所知，AML是首个采用非对称学习策略进行节点表示学习的GNN-LP方法。在三个真实大规模数据集上的实验表明，AML训练速度比采用对称学习策略的基线快1.7倍至7.3倍，且几乎无精度损失。
引用
@article{arxiv.2303.00170,
title = {Asymmetric Learning for Graph Neural Network based Link Prediction},
author = {Kai-Lang Yao and Wu-Jun Li},
journal= {arXiv preprint arXiv:2303.00170},
year = {2023}
}