本文提供首个理论研究证明图神经网络在图形大小大于训练图形的情况下,能够执行归纳式跨领域链接预测任务,我们提出了一种结构节点嵌入的方法,并证明了它的有效性和收敛性。
May, 2022
本文研究以知识蒸馏技术加快图神经网络(GNN)的边预测任务,尝试了基于预测对数和节点表示的两种直接应用知识蒸馏技术方法,提出了一种名为LLP的基于关系知识的框架,能够显著提高MLP的边预测性能,并比GNNs更高效。
Oct, 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
TACO是一种基于子图的新型方法,通过建模与拓扑结构高度相关的关系之间的语义相关性,将图级特征和边级交互相结合,以同时进行推理的方式,在归纳链接预测任务中实现了卓越的性能。
Sep, 2023
在这项工作中,我们提出了一种新的方法来学习元路径和元路径图神经网络,通过少量信息丰富的元路径来提高准确性,在增量构建元路径的过程中使用评分函数来衡量关系的潜在信息量。实验评估表明,该方法即使在存在大量关系的情况下,也能正确识别相关的元路径,并在综合和真实世界实验中显著优于现有的多关系图神经网络。
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
本文综述了关于从异质图中学习的现有研究成果,包括图的学习策略、模型架构和应用案例,并探讨了现有研究的主要挑战和未来研究的有希望方向。
Jan, 2024
通过关系超图进行链接预测的研究,提出了两种框架,并通过相应的关系Weisfeiler-Leman算法和一些自然逻辑形式主义的广泛实证分析,证明了所提模型架构的表达能力。在各种关系超图基准测试中,所得到的模型架构明显优于每个基线模型,对于归纳链接预测具有领先水平的结果,从而开启了图神经网络在完全关系结构中的应用。
Feb, 2024
在这项研究中,我们针对动态多关系图提出了一种新颖的Graph Neural Network模型,名为GOOD,它通过新颖的多关系嵌入聚合设计解决了域外泛化问题,并在两个零售领域提出了五个基准测试,证明GOOD能有效地预测出已知关系类型之外的关系,并取得了最先进的结果。
Mar, 2024
本研究解决了特征异质性对图神经网络(GNN)在链接预测任务中性能影响的不确定性。通过引入同质性和异质性的链接预测任务的理论框架,我们展示了不同优化需求,并提出了改进的设计。实证分析表明,使用可学习的解码器和在消息传递中采用自我和邻居嵌入分离的GNN编码器是提升链接预测性能的关键。
Sep, 2024