基于模糊图注意力网络与动态负采样的链路预测增强
机器学习
2025-02-04 v3 人工智能
信息检索
摘要
链路预测对于理解复杂网络至关重要，但传统图神经网络（GNN）往往依赖随机负采样，导致性能欠佳。本文提出模糊图注意力网络（FGAT），一种融合模糊粗糙集以实现动态负采样和增强节点特征聚合的新方法。模糊负采样（FNS）基于模糊相似度系统地选择高质量负边，提高训练效率。FGAT层融入模糊粗糙集原理，能够获得鲁棒且判别性强的节点表示。在两个研究合作网络上的实验表明，FGAT在链路预测准确率上优于最先进的基线方法，这得益于模糊粗糙集在有效负采样和节点特征学习方面的作用。
引用
@article{arxiv.2411.07482,
title = {Enhancing Link Prediction with Fuzzy Graph Attention Networks and Dynamic Negative Sampling},
author = {Jinming Xing and Ruilin Xing and Chang Xue and Dongwen Luo},
journal= {arXiv preprint arXiv:2411.07482},
year = {2025}
}
备注
Accepted to ISMSI'25