无图神经网络的链接预测
机器学习
2023-05-24 v1 社会与信息网络
摘要
链接预测指基于图特征预测边，是许多图应用中的基础任务。与若干相关问题一样，基于以属性为中心的消息传递范式的图神经网络（GNN）已成为链接预测的主流框架。GNN始终优于传统的基于拓扑的启发式方法，但其性能提升源于什么？是否存在能达到可比或更好结果的更简方法？为回答这些问题，我们首先指出了基于GNN的链接预测方法在其训练和评估中处理该问题固有类不平衡（由图稀疏性导致）的重要局限。此外，我们提出Gelato，一种新颖的以拓扑为中心的框架，通过图学习将拓扑启发式应用于增强了属性信息的图。我们的模型在无偏训练集上以N-pair损失进行端到端训练，以解决类不平衡问题。实验表明，与最先进的链接预测GNN相比，Gelato准确率提升145%，训练快11倍，推断快6000倍，且可训练参数不到其一半。
引用
@article{arxiv.2305.13656,
title = {Link Prediction without Graph Neural Networks},
author = {Zexi Huang and Mert Kosan and Arlei Silva and Ambuj Singh},
journal= {arXiv preprint arXiv:2305.13656},
year = {2023}
}
备注
15 pages