PROXI：挑战图神经网络的链接预测
机器学习
2025-11-26 v1 计算几何
摘要
在过去十年中，图神经网络（GNN）彻底改变了图表示学习。在广泛采用的消息传递GNN框架中，节点通过迭代聚合邻居节点的信息来优化其表示。虽然GNN在许多领域表现出色，但近期的理论研究对其能力提出了质疑。GNN旨在利用这些节点表示来解决各种图相关任务，然而这种一刀切的方法在不同任务上被证明是次优的。基于这些观察，我们在链接预测任务中进行了实证测试，比较了现有GNN模型与更传统、更直接方法的性能。我们引入了我们的模型PROXI，它利用节点对在图结构和属性空间中的邻近性信息。我们发现，当将标准机器学习（ML）模型应用于从节点邻域和属性导出的这些邻近性度量时，它们的表现具有竞争力，甚至优于最先进的GNN模型。这一结论在同类和异类网络以及大小型数据集（包括来自开放图基准（OGB）的数据集）上均成立。此外，我们表明，将PROXI增强到传统GNN中能显著提升其链接预测性能。我们的实证结果证实了前述理论观察，并表明现有GNN模型仍有很大的改进空间以发挥其潜力。
关键词
引用
@article{arxiv.2410.01802,
title = {PROXI: Challenging the GNNs for Link Prediction},
author = {Astrit Tola and Jack Myrick and Baris Coskunuzer},
journal= {arXiv preprint arXiv:2410.01802},
year = {2025}
}