使用布隆签名学习可扩展的结构表示以进行链接预测

Dec, 2023

使用布隆签名学习可扩展的结构表示以进行链接预测

Learning Scalable Structural Representations for Link Prediction with Bloom Signatures

Tianyi Zhang, Haoteng Yin, Rongzhe Wei, Pan Li, Anshumali Shrivastava

TL;DR通过使用基于 Bloom 特征的消息传递框架，我们提出了一种学习结构化链接表示的方法，并证明其在速度和内存效率上比现有边缘模型更具表达力和可扩展性。

Abstract

graph neural networks (GNNs) have shown great potential in learning on graphs, but they are known to perform sub-optimally on link prediction tasks. Existing GNNs are primarily designed to learn node-wise represe

graph neural networks link prediction edge-wise representations bloom signatures neural network

发现论文，激发创造

Neo-GNNs: 邻域重叠感知的图神经网络在链接预测中的应用

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

图学习网络：一种结构学习算法

本文提出了基于图卷积神经网络的 Graph Learning Network 模型，用于解决社区检测、节点分类、链路预测等任务，并能够学习节点嵌入和结构预测函数。该模型能够递归地提高预测结果和嵌入质量。

May, 2019

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

使用子图草图的图神经网络进行链接预测

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

有符号图卷积网络

本文提出了一种基于平衡理论的有向图卷积神经网络模型，用于在带有正负连接的有向图中进行节点表示学习，并证明其在 link sign prediction 等问题上的有效性。

Aug, 2018

可靠的表征使得防御更强：用于鲁棒性图神经网络的无监督结构细化

本文提出了一种名为 STABLE 的无监督流水线来优化图形结构，以增强图神经网络算法的鲁棒性，该方法采用边度量学习来抵御对抗攻击，并设计了一个高级 GCN 来进一步加强其鲁棒性，证明其在四种实际图形基准测试中具有优越的性能表现。

Jun, 2022

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

自解释图神经网络用于链路预测

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

预训练图神经网络用于通用结构特征提取

本文提出一种预训练框架，使用合成图纹理来获取通用图结构信息，提高了已训练模型在不同下游任务上的性能。

May, 2019

利用集体结构知识进行图神经网络的数据增强

本篇研究提出了一种新颖的方法，即综合结构知识增强图神经网络 (CoS-GNN)，通过引入新的消息传递方法，使得图神经网络能够利用丰富的节点和图级结构特征以及原始节点特征，在增强的图结构中大大改善了图神经网络的结构知识建模，从而实现了显著改进的图表示。在大量实证结果中，CoS-GNN 在包括图分类、异常检测和超出分布泛化在内的各种图级学习任务中优于现有的模型。

May, 2024