深度生成模型用于子图预测
机器学习
2024-08-09 v1
摘要
图神经网络（GNN）因其建模复杂关系数据之能，广泛应用于社交网络分析和推荐系统等领域。本文引入子图查询作为深度图学习的新任务。不同于传统图预测任务聚焦于单个组件（如链接预测或节点分类），子图查询则基于由观察子图表示的证据，联合预测目标子图的组件。例如，子图查询可预测一组目标链接和/或节点标签。为回答子图查询，我们采用概率深度图生成模型。具体而言，我们对变分图自编码器（VGAE）模型进行归纳性训练，该模型被增强以表示链接、节点特征和标签之间的联合分布。采用贝叶斯优化调整各组件在特定领域中的相对重要性权重。我们描述了两种推断方法，用于从VGAE生成的图分布中估计子图概率，无需重新训练即可实现零样本推断。为评估，应用推断方法于六个基准数据集上的各种子图查询。我们发现，模型推断的预测性能优于独立预测基线，AUC分数提升范围为0.06至0.2分，取决于数据集。
引用
@article{arxiv.2408.04053,
title = {Deep Generative Models for Subgraph Prediction},
author = {Erfaneh Mahmoudzadeh and Parmis Naddaf and Kiarash Zahirnia and Oliver Schulte},
journal= {arXiv preprint arXiv:2408.04053},
year = {2024}
}
备注
accepted at ECAI 2024