Jun, 2023

评估图神经网络在链接预测中的表现：现有缺陷和新基准测试

PDF
TL;DR本研究旨在克服当前评估链接预测方法存在的问题，包括低于实际性能、部分数据集缺乏统一的数据集划分和评估指标以及易于负采样的不现实评估设置，通过使用相同的数据集和超参数搜索设置对著名方法和数据集进行公平比较，创建基于启发式相关抽样技术的实用评估设置，该评估设置通过多种启发式采样难负样本来提高新挑战和机遇，以与实际情况相一致。
发现论文，激发创造
  • 图神经网络评估的陷阱

    本文探讨了现有的 Graph Neural Networks（GNN）模型评估策略的局限性，通过对四个知名 GNN 模型进行彻底的实证评估，发现只有在公平的条件下比较各种模型的性能才是合理的，简单的 GNN 架构通过超参数和训练程序的公平调整也可以胜过复杂的架构。

    Nov, 2018

  • 动态图中链路预测算法评估的新视角

    通过对负采样的可能性进行分类，并引入新的可视化方法以研究预测性能和时间网络动态，我们验证了错误通常在不同数据段之间不均匀分布，并认为这些可视化工具可以成为评估不同层次的动态链接预测方法的强大指南。

    Nov, 2023

  • 基于图神经网络的启发式学习：一种用于链接预测的统一框架

    利用统一矩阵公式和 HL-GNN 方法，本研究提出了一种整合了各类算启发式方法和传统图神经网络的学习模型，通过广泛的实验验证了其高效性和显著优于现有方法的预测性能。

    Jun, 2024

  • 基于相似度和 GNN 的链接预测方法比较研究

    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

  • 单 GPU GNN 系统：陷阱与注意事项

    目前的图神经网络系统在不显示训练准确率结果的同时，直接或间接地依赖较小的数据集进行评估，这导致系统设计和评估过程中存在许多陷阱，质疑了许多已提出的系统优化的实用性及其结论和经验教训，我们对许多单 GPU 系统进行了分析，展示了这些陷阱的基本影响，进一步提出了假设、建议和评估方法，并提供未来发展方向。最后，我们开发了一个新的参考系统，以解决系统设计的陷阱，从而真正推动技术进步。

    Feb, 2024

  • 基于图神经网络的链接预测

    本文研究了一种基于图神经网络的启发式学习方法，通过提取目标链接周围的局部子图，学习一个将子图模式映射到链接存在性的函数，从而自动学习适合当前网络的启发式算法，实验结果表明其性能优越。

    Feb, 2018

  • 不使用图神经网络的链路预测

    本文提出了一个新的以拓扑为中心的框架 Gelato，该框架使用了一个基于图学习的拓扑启发式方法，对由属性信息增强的图进行预测。通过与现有的基于图神经网络的方法进行比较，实验表明这个框架训练更快、推断更快、更精确，可用于解决连接预测中的类别不平衡问题。

    May, 2023

  • 评估图神经网络的链接预测解释

    本文提出了衡量链接预测解释质量的定量指标，通过使用这些指标对图神经网络的最先进可解释性方法进行评估，讨论了底层假设和特定于链接预测任务的技术细节对解释质量的影响。

    Aug, 2023

  • 动态网络链接预测的更佳评估

    提出了新的评估过程和数据集，以更好地比较不同方法在时间演化图中的强弱，并提出了 EdgeBank 纯记忆基线，该基线有效地解决了当前评估设置中容易的负面边问题，并通过提出更具挑战性的负采样策略改进了鲁棒性和更好地匹配了现实世界的应用。

    Jul, 2022

  • 生成式图神经网络用于链接预测

    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