基于信息瓶颈的链接预测数据增强方法 CORE
机器学习
2024-04-18 v1 社会与信息网络
摘要
链接预测（LP）是图表示学习中的基础任务，广泛应用于多个领域。然而，由于图中存在噪声或虚假信息以及图数据本身的内在不完整性，LP 模型的通用性往往受到影响。为解决这些挑战，我们借鉴信息瓶颈原理，提出一种新颖的数据增强方法，即 COmplete and REduce（CORE），以学习紧凑且可预测的增强数据。具体而言，CORE 旨在恢复图中缺失的边的同时，同时从图结构中移除噪声，从而增强模型的鲁棒性和性能。多个基准数据集上的大量实验表明，CORE 在实际应用和优于 state-of-the-art 方法方面表现出色，展示了其作为鲁棒 LP 在图表示学习中领先方法的潜力。
引用
@article{arxiv.2404.11032,
title = {CORE: Data Augmentation for Link Prediction via Information Bottleneck},
author = {Kaiwen Dong and Zhichun Guo and Nitesh V. Chawla},
journal= {arXiv preprint arXiv:2404.11032},
year = {2024}
}