基于最优传输与Metropolis Hastings采样的连续时间动态网络高效链接预测
动力系统
2023-09-12 v1
摘要
连续时间动态网络中的高效链接预测是一个具有挑战性的问题，近年来吸引了大量研究关注。动态网络链接预测的一种广泛使用的方法是通过网络上的时间随机游走提取目标链接的局部结构，并利用编码模型学习节点特征。然而，该方法常假设候选时间邻居服从某些特定类型的分布，这可能不适用于真实网络，从而导致信息损失。为克服此局限，我们提出一种基于最优传输（OT）与Metropolis Hastings（MH）采样（COM）的连续时间动态网络框架。具体而言，我们利用最优传输理论计算当前节点与时间有效的候选邻居之间的Wasserstein距离，以最小化节点信息传播中的信息损失。此外，我们采用MH算法获取目标链接邻近处的高阶结构关系，因其为一种马尔可夫链蒙特卡洛方法，可灵活模拟具复杂模式的目标分布。我们在来自不同领域的八个数据集上通过实验证明了所提方法的有效性。
引用
@article{arxiv.2309.04982,
title = {Efficient Link Prediction in Continuous-Time Dynamic Networks using Optimal Transmission and Metropolis Hastings Sampling},
author = {Ruizhi Zhang and Wei Wei and Qiming Yang and Zhenyu Shi and Xiangnan Feng and Zhiming Zheng},
journal= {arXiv preprint arXiv:2309.04982},
year = {2023}
}
备注
11 pages, 7 figures