纯消息传递可估计公共邻居以用于链接预测
机器学习
2024-10-15 v4 信息检索
社会与信息网络
摘要
消息传递神经网络（MPNNs）已成为图表示学习中事实上的标准。然而，在链接预测方面，它们常常表现不佳，被诸如公共邻居（CN）这样的简单启发式方法所超越。这种差异源于一个根本局限：尽管 MPNNs 在节点级表示上表现出色，但它们难以编码对链接预测至关重要的联合结构特征，如 CN。为弥合这一差距，我们假定，通过利用输入向量的正交性，纯消息传递确实能够捕捉联合结构特征。具体而言，我们研究了 MPNNs 在近似 CN 启发式方法上的能力。基于我们的发现，我们引入了消息传递链接预测器（MPLP），一种新颖的链接预测模型。MPLP 利用准正交向量来估计链接级结构特征，同时保留节点级的复杂性。此外，我们的方法表明，利用消息传递来捕捉结构特征可以弥补 MPNNs 在表达能力上的局限，代价是估计方差。我们在来自不同领域的基准数据集上进行了实验，我们的方法始终优于基线方法。
引用
@article{arxiv.2309.00976,
title = {Pure Message Passing Can Estimate Common Neighbor for Link Prediction},
author = {Kaiwen Dong and Zhichun Guo and Nitesh V. Chawla},
journal= {arXiv preprint arXiv:2309.00976},
year = {2024}
}
备注
Accepted to Neurips'24