面向动态稀疏图链接预测的图序列神经 ODE 过程
机器学习
2022-11-17 v1 社会与信息网络
摘要
动态图上的链接预测是图挖掘中的一项重要任务。基于动态图神经网络（DGNNs）的现有方法通常需要大量历史数据（随时间的交互），而这在实践中并非总可获得。随时间缺失的链接是图数据中的常见现象，进一步加剧了该问题，从而产生了极度稀疏且动态的图。为解决此问题，我们提出一种基于神经过程的新方法，称为图序列神经 ODE 过程（GSNOP）。具体而言，GSNOP 结合了神经过程与神经常微分方程的优势，将动态图上的链接预测建模为动态变化的随机过程。通过定义函数上的分布，GSNOP 将不确定性引入预测，使其泛化到更多情形而非过拟合于稀疏数据。GSNOP 也对模型结构无关，可集成任意 DGNN 以考虑时序与几何信息进行链接预测。在三个动态图数据集上的大量实验表明，GSNOP 能显著提升现有 DGNN 的性能，并优于其他神经过程变体。
引用
@article{arxiv.2211.08568,
title = {Graph Sequential Neural ODE Process for Link Prediction on Dynamic and Sparse Graphs},
author = {Linhao Luo and Reza Haffari and Shirui Pan},
journal= {arXiv preprint arXiv:2211.08568},
year = {2022}
}
备注
Accepted by WSDM2023