本文提出了一种名为 GraphLP 的新的基于网络重构理论的、区别于传统的判别式神经网络模型的生成式神经网络模型,利用深度学习提取图表结构信息并探索高阶连接模式以实现链路预测,实验证明 GraphLP 在不同数据集上都具有优异性能。
Dec, 2022
本文提出了使用孪生神经网络的基于路径的归纳链接预测模型 SiaILP,仅依赖关系和路径嵌入,可泛化到新实体而无需微调,实验证明该模型在归纳版本的 WN18RR、FB15k-237 和 Nell995 的链接预测任务中取得了多个最新的最优性能。
Dec, 2023
我们提出了一种名为邻域重叠感知图神经网络(Neo-GNNs)的方法,可以从邻接矩阵中学习有用的结构特征,预测链接,表现出比传统启发式方法更好的性能,可处理重叠的多跳邻域结构信息。
Jun, 2022
提出了一种名为 ELPH 的全图 GNN 和一种高度可扩展的模型 BUDDY,前者通过哈希传递子图草图以近似 SGNN 中的关键组件,后者使用特征预计算来规避 GPU 内存限制,而且两者在标准 LP 基准测试上性能均优于现有的 SGNN 模型
Sep, 2022
本文提出一种自我可解释的 GNN 框架,可以同时给出精确的预测和解释,通过找到一个节点的各种 $k$ 个重要邻居,为该节点到其他节点的链接学习对特定的表示,从而得出解释。
May, 2023
本文研究相似性和基于 GNN 的链接预测方法在同构图中的应用,通过在具有不同属性的多个基准图上的实验评估不同方法的性能。
Aug, 2020
该研究提出了一种新型的 Graph Property Sensing Network(GPS-Net),通过增加三种属性,即边缘方向信息、节点优先级差异和关系长尾分布来提高场景图生成(SGG)的准确性和效率,并在多种设置和指标下在三个流行数据库中取得了最优效果。
Mar, 2020
介绍了一种新的链接预测问题 - 部分可观察动态图上的链接预测。提出了新的状态表示方法 -- 场景图记忆(SGM)和神经网络架构 -- 节点边缘预测器(NEP),能够更有效地预测对象位置。
本文提出了一种基于 Pair Proposal Network (PPN) 的新型架构 Pair then Relation (Pair-Net),利用矩阵学习器 (matrix learner) 来过滤稀疏的主语和宾语之间的关系,通过实验分析得到了新的最佳 PSG 表现结果,并超越了之前的 PSGFormer。
Jul, 2023
本研究提出使用图论中的线图来解决原始图中的链路预测问题,将链路预测问题转化为其相应的线图的节点分类问题,实验结果表明该方法在不同应用的 14 个数据集上表现优异,同时参数更少,训练效率更高。
Oct, 2020