Feb, 2024

利用图神经网络进行链接预测的统计保证

PDF
TL;DR该研究使用线性图神经网络（LG-GNN）在由图元生成的图中进行链接预测任务，推导出了其性能的统计保证。通过建立均方误差的界限以及对 LG-GNN 检测高概率边的能力的保证，研究者证明了该方法适用于稀疏和稠密图，并在真实数据集和合成数据集上验证了经典 GCN 结构的一些不足。
发现论文，激发创造
  • 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

  • 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

  • 图神经网络输出几乎肯定是渐近常数

    图神经网络（GNN）是用于各种图学习任务的主要架构。我们通过研究 GNN 概率分类器在从某个随机图模型中抽取的较大图上应用时的预测如何演变来呈现 GNN 表达能力的新视角。我们展示了输出收敛为常函数的现象，这个常函数上界了这些分类器能够统一表达的内容。这种收敛现象适用于包括最先进模型在内的广泛类别的 GNN，其中包括均值聚合和图转换器中的基于注意力的机制。我们的结果适用于包括（稀疏的）Erdős-Rényi 模型和随机块模型在内的广泛类别的随机图模型。我们通过实证验证了这些发现，并观察到即使在相对较小的图上，收敛现象已经显现出来。

    Mar, 2024

  • 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

  • 图神经网络上的等度连通预测

    这篇论文介绍了一种无分布和无模型偏见的不确定性量化方法，用于构建基于 GNN 的链接预测的具有统计保证的预测区间，该方法在遵循幂律分布的图结构上显著提高了基线方法的有效性。

    Jun, 2024

  • 学习潜在的图结构及其不确定性

    该研究展示了在预测任务中，图神经网络（GNNs）利用关系信息作为归纳偏差以提高模型的准确性。通过学习图结构的方法来解决下游预测任务中未知的相关关系，同时证明了点预测损失函数（如平均绝对误差）的最小化并不能保证对潜在关系信息及其相关不确定性进行适当的学习。相反，合适的损失函数在随机模型输出上同时确保了（i）未知邻接矩阵潜在分布和（ii）在预测任务上的最佳性能。最后，我们提出了一种基于采样的方法来解决这一联合学习任务。实证结果验证了我们的理论观点，并证明了所提方法的有效性。

    May, 2024

  • 探索图神经网络的泛化理解

    研究了图神经网络在泛化上的机制，建立了高概率边界和其对泛化差距和梯度的影响，得出结论和实验证据相符的新认识。

    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

  • 在无线网络中部署图神经网络：链路稳定性视角

    利用 Lyapunov 优化方法，最大化实现长期平均通信链路数目，以优化功率控制，改善图神经网络在资源受限的无线系统中的学习性能。

    May, 2024

  • 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