用于推断关联关系和缺失链接的矩阵分解

缺失链接预测是一种网络分析方法，广泛应用于推荐系统、生物学、社会科学、网络安全、信息检索以及人工智能（AI）中的知识图谱推理。缺失链接预测通过分析观察到的模式和关系来识别网络中潜在的、尚未出现的连接。在增殖检测中，这有助于识别和特征化由国家及非国家行为者试图获取核武器或相关技术的行为——这是一项极具挑战性却至关重要的全球安全任务。维度约化技术，如非负矩阵分解（NMF）和 Logistic 矩阵分解（LMF），虽然有效，但需要选择矩阵秩参数，即隐藏特征数量 $k$，以避免过拟合或欠拟合。我们提出了新型的加权（WNMFk）、布尔（BNMFk）和推荐（RNMFk）矩阵分解方法，以及集成变体，用于链接预测。我们的方法集成了自动模型确定技术，通过评估稳定性和准确性并采用修改的 bootstrap 方法进行鲁棒性评估和不确定性量化（UQ），以评估随机扰动下的预测可靠性。我们采用 Otsu 阈值选择和 k-means 聚类进行布尔矩阵分解，与基于坐标下降的布尔阈值化方法进行比较。我们的实验突显了秩 $k$ 选择的影响，评估了不同测试集大小下的模型性能，并展示了 UQ 在使用驳议决策中实现可靠预测的优势。在我们在三个合成数据集（布尔型和均匀分布）上的实验中，我们在五个真实世界的蛋白质-蛋白质相互作用网络上对比了 LMF 和对称 LMF（symLMF），展示了改进的预测性能。