Dec, 2023

并非所有负例值得关注：元启动负采样框架用于链接预测

PDF
TL;DR通过精心设计的 MeBNS 框架，以元学习支持的教师 - 学生 GNN 为基础，具备元学习的样本再加权模块，实现了当前基于负样本采样的链接预测器的改进，达到显著性能，适用于六个链接预测基准数据集。
graph neural networkslink predictiondynamic negative samplersmebns frameworkmeta-learning supported teacher-student gnn
发现论文，激发创造
  • 基于扩散的图网络负采样在链接预测中的应用

    该研究探索了多层次负采样的新策略，通过潜空间产生具有灵活和可控的 “难度” 级别的负节点，从而实现了有效的图链接预测。实验证明了该方法的有效性。

    Mar, 2024

  • 图表示学习中负采样的理解

    本文研究图表示学习中的负采样对于优化目标和结果方差的重要性，并提出了一种基于自对比近似和 Metropolis-Hastings 加速的负采样方法，MCNS，应用于链接预测、节点分类等任务，并在 19 个实验设置中证明了其优越性。

    May, 2020

  • 负采样对知识图谱链接预测的影响分析

    本文通过实证研究，对比了对知识图谱中实体之间关系进行无监督学习的四种嵌入模型（ escal，TransE，DistMult 和 ComplEX）使用不同负采样方法的效果，结果发现使用不同负采样方法得到的效果差异较大，且在不同数据集上表现也各有不同。

    Aug, 2017

  • 负样本很重要：度量学习在时间定位中的复兴

    该文提出了一种度量学习框架下使用互相匹配网络来解决视频时序定位问题，通过构造负交叉模态对和跨不同视频的负对样本来增强联合表示学习的性能，实验表明该方法在四个视频时序定位基准测试上取得了与最先进方法相比高度竞争的表现，并为第三个 PIC 研讨会的 HC-STVG 挑战赛提供了获胜解决方案。

    Sep, 2021

  • 神经多网络扩散推荐

    本文提出了一种基于图神经网络的社交推荐模型 NeMo，使用生成式负采样策略并利用正负用户 - 物品交互推广用户兴趣，提高了推荐泛化能力和准确度。实验证明，在各种真实世界的基准数据集上（例如在 NDCG@15 方面高达 38.8%）NeMo 的性能优于现有方法。

    Apr, 2023

  • 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

  • 基于最近邻的硬负样本训练时空图神经网络的鲁棒性训练

    通过替换均匀采样的负样本，我们提出了一种改进的基于重要性的负采样的 Tgnn 无监督学习方法，并在三个真实数据集上的实证评估中展示出其提供了一致的优秀性能。

    Feb, 2024

  • 通过负采样诱导的 GNN 层实现高效的链接预测

    图神经网络（GNNs）用于链接预测，有两种广泛的分类。首先，以节点为基础的体系结构为每个节点预先计算个体嵌入，之后由简单的解码器组合以作出预测。与推理时的极高效性相比（因为节点嵌入只计算一次并重复使用），模型的表达能力有限，即对候选边贡献的同构节点可能无法区分，从而损害准确性。相反，基于边的方法依赖于形成特定于边的子图嵌入以丰富对配对关系的表示，以消除同构节点以提高准确性，但代价是增加模型复杂性。为了更好地权衡这种权衡，我们提出了一种新颖的 GNN 体系结构，其中 “前向传递” 显式依赖于正向（一般情况下）和负向（我们方法独有）边，以摄入更灵活但仍然廉价的以节点为基础的嵌入。通过将嵌入自身重新定义为正负样本分离的正向传递特定能量函数（与实际训练损失不同），所提出的体系结构在广泛的经验评估中得到了验证，既保持了以节点为基础的模型的推理速度，又产生了与基于边的替代方法竞争性的准确性。

    Oct, 2023

  • 基于邻域的硬负样本挖掘用于序列推荐

    本文提出一种基于图结构和邻域重叠的负采样方法，通过课程学习控制负例难度，有效地提升基于序列推荐模型的训练与预测性能。

    Jun, 2023

  • 元图：元学习的少样本链接预测

    本文提出了一种基于元学习的 Meta-Graph 框架，该框架使用高阶梯度以及一个条件生成图神经网络初始化的学习图签名函数，可以在少量训练数据的情况下快速适应新图，并在收敛时获得更好的结果。

    Dec, 2019