Leap：基于可学习拓扑增强的归纳链接预测
机器学习
2025-03-06 v1
摘要
链接预测是图机器学习中许多下游应用的关键任务。为此，图神经网络（GNN）是链接预测常用技术，主要用于归纳设置，即预测现有节点之间缺失的链接。然而，许多现实应用需要容纳新节点进入已有图的归纳设置。因此，最近引发了对归纳链接预测的广泛关注，多层感知器（MLP）是大多数研究选择的流行选择。然而，这些方法表达性有限，未能充分捕捉图的结构信号。因此，本文提出了LEAP方法，基于LEArnable toPology augmentation。与之前方法不同，LEAP从结构和节点特征建模归纳偏置，因此更具表达性。据我们所知，这是首次通过可学习增强在归纳设置中为新节点提供结构上下文。在七个真实的同质和异质图上的大量实验表明，LEAP显著优于SOTA方法。根据AUC和平均精度，改进分别最高可达22%和17%。代码和数据集均可在GitHub（https://github.com/AhmedESamy/LEAP/）上获取。
引用
@article{arxiv.2503.03331,
title = {Leap: Inductive Link Prediction via Learnable TopologyAugmentation},
author = {Ahmed E. Samy and Zekarias T. Kefato and Sarunas Girdzijauskas},
journal= {arXiv preprint arXiv:2503.03331},
year = {2025}
}
备注
published in Machine Learning, Optimization, and Data Science, Springer Nature Switzerland