NetInfoF 框架：测量与利用网络可用信息
机器学习
2024-03-21 v3 社会与信息网络
摘要
给定一个节点属性图和一个图任务（链接预测或节点分类），我们能否判断图神经网络 (GNN) 是否会表现良好？更具体地说，图结构和节点特征是否携带了足够的可用信息来完成该任务？我们的目标是 (1) 开发一种快速工具来测量图结构和节点特征中包含多少信息，以及 (2) 如果有足够的信息，则利用这些信息来解决任务。我们提出了 NetInfoF，这是一个包含 NetInfoF_Probe 和 NetInfoF_Act 的框架，分别用于测量和利用网络可用信息 (NUI)。给定图数据，NetInfoF_Probe 无需任何模型训练即可测量 NUI，而 NetInfoF_Act 则解决链接预测和节点分类问题，且两个模块共享相同的主干网络。总之，NetInfoF 具有以下显著优势：(a) 通用性，处理链接预测和节点分类；(b) 原理性，具有理论保证和闭式解；(c) 有效性，得益于所提出的节点相似度调整；(d) 可扩展性，随输入大小线性扩展。在我们精心设计的合成数据集中，NetInfoF 正确识别了 NUI 的真实情况，并且是唯一对所有图场景都具有鲁棒性的方法。应用于真实世界数据集时，在与通用 GNN 基线相比的链接预测任务中，NetInfoF 在 12 次中有 11 次胜出。
引用
@article{arxiv.2402.07999,
title = {NetInfoF Framework: Measuring and Exploiting Network Usable Information},
author = {Meng-Chieh Lee and Haiyang Yu and Jian Zhang and Vassilis N. Ioannidis and Xiang Song and Soji Adeshina and Da Zheng and Christos Faloutsos},
journal= {arXiv preprint arXiv:2402.07999},
year = {2024}
}
备注
Accepted to ICLR 2024 (Spotlight)