从图拓扑中解耦节点属性以提升链接预测的泛化性
机器学习
2023-07-19 v1 社会与信息网络
摘要
链接预测是图机器学习中一项具有多样应用的关键任务。我们探索节点属性与图拓扑之间的相互作用，并证明融入预训练的节点属性可提升链接预测模型的泛化能力。我们提出的方法 UPNA (Unsupervised Pre-training of Node Attributes，节点属性无监督预训练) 通过学习的函数接收一对节点属性并预测边的概率，解决了归纳式链接预测问题，而图神经网络 (GNN) 在具有幂律度分布的图中易受制于拓扑捷径。以此方式，UPNA 学习了潜图生成机制的很大一部分，因为所学函数可用于向增长中的图添加新节点。通过利用预训练节点属性，我们克服了观测偏差，并对未观测节点做出有意义的预测，超越了最先进性能（在基准数据集上 3倍至34倍 的提升）。UPNA 可应用于各种成对学习任务，并与现有链接预测模型集成以增强其泛化性并支撑图生成模型。
引用
@article{arxiv.2307.08877,
title = {Disentangling Node Attributes from Graph Topology for Improved Generalizability in Link Prediction},
author = {Ayan Chatterjee and Robin Walters and Giulia Menichetti and Tina Eliassi-Rad},
journal= {arXiv preprint arXiv:2307.08877},
year = {2023}
}
备注
17 pages, 6 figures