用于外分布式链接的子图生成
机器学习
2025-07-17 v1 人工智能
摘要
图神经网络（GNN）在链接预测（LP）任务中表现卓越。然而，这些模型通常依赖于所有数据集样本都来自同一分布。此外，图生成模型（GGM）显示出生成新输出图的显著能力。尽管如此，GGM 的应用仍在特定于领域的任务中受到限制。为弥合这一差距，我们提出了 FLEX 作为一种 GGM 框架，利用两种机制：（1）结构条件化图生成，和（2）基于 auto-encoder 和 GNN 的对抗性 co-training。因此，FLEX 确保样本分布之间的结构对齐，以提高外分布（OOD）情景下的链接预测性能。值得注意的是，FLEX 不需要针对不同 OOD 情景进行专家知识。我们在合成和真实世界的 OOD 设置中进行了大量实验，以演示 FLEX 的性能提升能力，并进一步分析图数据增强对链接结构的影响。源代码可在此处获取：https://github.com/revolins/FlexOOD。
引用
@article{arxiv.2507.11710,
title = {Subgraph Generation for Generalizing on Out-of-Distribution Links},
author = {Jay Revolinsky and Harry Shomer and Jiliang Tang},
journal= {arXiv preprint arXiv:2507.11710},
year = {2025}
}
备注
18 pages, 7 figures, preprint