Sep, 2023

纯信息传递可用于链路预测中的公共邻居估计

PDF
TL;DR通过利用输入向量的正交性，纯消息传递可以捕捉联合结构特征，我们引入了一种基于消息传递的链接预测模型（MPLP），它利用准正交向量来估计链接级结构特征，同时保留节点级复杂性。我们的方法在各个领域的基准数据集上对于基准方法有一致的优化效果。
message passing neural networksgraph representation learninglink predictioncommon neighbormessage passing link predictor
发现论文，激发创造
  • 神经公共邻居与补全用于链接预测

    本文提出使用可学习的成对表示的神经公共邻居算法（Neural Common Neighbor, NCN）来解决关联预测任务中存在的成对关系问题。此外，为了解决网络不完整问题，也提出了两种干预方法（common neighbor completion 和 target link removal）。实验结果表明，与现有的强基线相比，该方法的表现更加优越，达到了关联预测任务中的最优水平。

    Feb, 2023

  • 未经训练的消息传递层的链接预测

    无标记信息传递层在图神经网络中被探索，与完全训练的 MPNN 相比，能够在链路预测中表现出竞争性和优越性能，尤其在存在高维特征的情况下，并通过理论分析将其与基于路径的拓扑节点相似度测量相关联。因此，无标记信息传递架构被视为一种高效且可解释的链路预测方法。

    Jun, 2024

  • 链路预测的混合模型

    介绍了一种适用于链接预测的简单的专家组合模型（Link-MoE），通过选择合适的专家基于各种类型的成对信息，该模型在各种真实世界数据集上取得了显著的性能提升。

    Feb, 2024

  • 强结构编码是否能减少消息传递的重要性？

    当提供强大的结构性编码时，基于张量乘积的相互作用模型表明比基于拼接的编码更加鲁棒，即使去除了消息传递层，也能在某些任务上几乎不降低性能。

    Oct, 2023

  • 自适应对编码用于链接预测

    LPFormer 是一种新方法，通过学习适应性地编码每个链接的成对编码，以实现链接预测，并通过建模与链接预测相关的多个因素的注意力模块来模拟链接之间存在的成对编码。大量实验证明，LPFormer 在许多数据集上能够达到最先进的性能同时保持效率。

    Oct, 2023

  • 消息传递图神经网络在大型测试图中的 OOD 链接预测泛化能力

    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

  • 使用结构消息传递构建强大且等变的图神经网络

    通过在节点特征的基础上传播节点的 One-hot 编码，以学习每个节点周围的本地上下文矩阵以及保证置换等变性的消息和更新函数，我们提出了一种具有强大表达能力和等变性的消息传递框架，用于对图形网络进行建模，实验表明本模型可以更准确地预测合成数据上的图形拓扑性质，并在 ZINC 数据集的分子图回归任务中取得了最优结果。

    Jun, 2020

  • 神经网络链接预测的配对学习

    本文提出了一个有效的针对神经链接预测进行成对学习的框架（PLNLP），其采用了四个主要组件，包括邻域编码器、链接预测器、负采样器和目标函数，并在 OGBlbenchmark 上进行了评估。该框架具有灵活性，可选用任何通用的图神经卷积或链接预测特定的神经结构进行编码。

    Dec, 2021

  • Graph-MLP: 图中节点分类不需要消息传递

    本文提出了一个基于多层感知机的图神经网络模型 (Graph-MLP)，通过利用图结构的监督信号，该模型仅使用多层感知机、激活函数和层归一化，而无需用到信息传递模块，在 loss level 中，设计了一个邻域对比损失 (NContrast)，能够在大规模图数据和损坏的邻接信息中更轻巧、更强韧地进行分类任务，并证明了即使在测试阶段没有邻接信息，该模型仍然可以达到与最先进模型相媲美甚至更好的性能。

    Jun, 2021

  • 探索图神经网络求解线性优化问题的能力

    机器学习中的消息传递图神经网络（MPNNs）可以模拟线性优化问题和组合优化问题，提高解决难解优化问题的效率。

    Oct, 2023