重新审视GAE在链接预测中的性能
机器学习
2025-08-29 v4 人工智能
摘要
图神经网络（GNN）在链接预测方面的最新进展引入了复杂的训练技术和模型架构。然而，对过时基线的依赖可能夸大了这些新方法的优势。为了解决这一问题，我们通过应用近期方法中的模型无关技巧并调整超参数，系统地探索了图自编码器（GAE）。我们发现，一个经过良好调优的 GAE 可以匹配近期复杂模型的性能，同时在广泛使用的链接预测基准上提供优越的计算效率。我们的方法在结构信息主导而特征数据有限的数据集上带来了显著的性能提升。具体而言，我们的 GAE 在 ogbl-ppa 数据集上取得了 78.41% 的 SOTA Hits@100 分数。此外，我们考察了各种技巧的影响，以揭示我们成功的原因并指导未来方法的设计。我们的研究强调了在评估 GNN 在链接预测方面的进展时更新基线的关键必要性。我们的代码可在 https://github.com/GraphPKU/Refined-GAE 获取。
引用
@article{arxiv.2411.03845,
title = {Reconsidering the Performance of GAE in Link Prediction},
author = {Weishuo Ma and Yanbo Wang and Xiyuan Wang and Muhan Zhang},
journal= {arXiv preprint arXiv:2411.03845},
year = {2025}
}
备注
Accepted at CIKM 2025