PHLP：仅用持续同调进行链接预测——可解释的特征提取
机器学习
2025-12-12 v2 计算几何
代数拓扑
机器学习
摘要
链接预测（LP）是推断节点之间连通性的重要研究领域，在图中链接表示节点之间关系的关键信息。尽管基于图神经网络（GNN）的模型在LP中取得了高性能，但理解它们为何表现良好具有挑战性，因为大多数模型由复杂的神经网络组成。我们采用持续同调（PH），一种有助于分析图拓扑信息的拓扑数据分析方法，来解释用于预测的特征。我们提出了一种新的方法，将PH用于LP（PHLP），重点关注目标链接的存在或缺失如何影响整体拓扑。PHLP利用角度跳子图和称为度双半径节点标签（Degree DRNL）的新节点标签，比DRNL更好地区分图的信息。仅使用分类器，PHLP在大多数基准数据集上的表现与最先进（SOTA）模型相似。将使用PHLP计算的输出纳入现有的基于GNN的SOTA模型，可以改善所有基准数据集的性能。据我们所知，PHLP是第一种在没有GNN的情况下将PH应用于LP的方法。所提出的方法采用PH而不依赖神经网络，能够识别提高性能的关键因素。
引用
@article{arxiv.2404.15225,
title = {PHLP: Sole Persistent Homology for Link Prediction - Interpretable Feature Extraction},
author = {Junwon You and Eunwoo Heo and Jae-Hun Jung},
journal= {arXiv preprint arXiv:2404.15225},
year = {2025}
}