用于链接符号预测的图弹簧神经ODE
机器学习
2024-12-19 v2 计算机与社会
摘要
符号图允许编码节点间的正负关系，并用于对各种在线活动进行建模。符号图的节点表示学习是一项被广泛研究的任务，具有诸如符号预测等重要应用。虽然数据集的规模不断增大，但近期的方法往往为了准确性而牺牲可扩展性。我们提出了一种名为图弹簧网络(GSN)的新型消息传递层架构，该架构以弹簧力为模型。我们将其与图神经常微分方程(ODEs)形式体系相结合，以优化嵌入空间中的系统动力学，从而解决下游预测任务。一旦动力学被学习，新数据集的嵌入生成即可通过使用数值积分方案在时间上求解ODEs来完成。我们的GSN层利用易于计算的边向量方向以及仅依赖于节点在潜空间中距离的可学习标量函数来计算节点位置。相反，图卷积和图注意力网络层依赖于需要输入节点在潜空间中完整位置的可学习向量函数。我们提出了一种名为弹簧神经网络(SPR-NN)的具体实现，使用一组模拟吸引和排斥弹簧力的小型神经网络，并针对链接符号预测进行训练。实验表明，我们的方法实现了接近SOTA方法的准确性，且在大图上节点生成时间加速因子高达28,000。
引用
@article{arxiv.2412.12916,
title = {Graph Spring Neural ODEs for Link Sign Prediction},
author = {Andrin Rehmann and Alexandre Bovet},
journal= {arXiv preprint arXiv:2412.12916},
year = {2024}
}