Mar, 2024

In-n-Out: 用于链接预测的图神经网络校准

PDF
TL;DR深度神经网络的输出通常无法准确反映我们所预测事件的真实概率，而图神经网络在节点级别的分类中显示相反的行为，但在预测链接时，图神经网络通常表现出不同行为。本文提出了 IN-N-OUT 方法，通过对边缘分配真 / 假标签，来改善图神经网络在链接预测中的校准，实验证明其在这一特定任务上明显优于现有的基准方法。
发现论文，激发创造
  • 图神经网络是否被误校准？

    本文对多个数据集上应用先进的图神经网络（Graph Neural Networks，GNNs）进行校准的实验进行了实证评估，结果表明，GNNs 在一些数据集上可以被校准，但在另一些数据集上却可能出现重大偏差，而且目前先进的校准方法可以提供帮助，但并不能完全解决问题。

    May, 2019

  • 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

  • 自信！通过置信度校准实现值得信赖的图神经网络

    本文提出了一种基于拓扑感知的后处理校准函数的信任度高的 GNN 模型 ——CaGCN，通过学习得到每个节点的校准置信度，进而提高自训练框架中的性能表现。通过实验验证了该模型在置信度和准确性方面的有效性。

    Sep, 2021

  • 学习外推知识：跨领域几何关系联合推理下的少样本图外关系预测

    该论文介绍了一种名为 Graph Extrapolation Networks（GEN）的新型转导式元学习框架，通过该框架，可以在实现小样本图数据链接预测中超越其他同类方法。

    Jun, 2020

  • 统一标签输入图神经网络和深度平衡模型

    本文介绍了一种名为 Implicit GNN 的理论框架，能够通过只迭代网络一次但起始状态随机遮蔽的方式来优化无限传播的长距离标签，并将这种改进扩展到了复杂网络和大规模图上，实验结果证明其性能优于其他方法。

    Nov, 2022

  • 不使用图神经网络的链路预测

    本文提出了一个新的以拓扑为中心的框架 Gelato，该框架使用了一个基于图学习的拓扑启发式方法，对由属性信息增强的图进行预测。通过与现有的基于图神经网络的方法进行比较，实验表明这个框架训练更快、推断更快、更精确，可用于解决连接预测中的类别不平衡问题。

    May, 2023

  • 基于线性图神经网络的链接预测

    本研究提出使用图论中的线图来解决原始图中的链路预测问题，将链路预测问题转化为其相应的线图的节点分类问题，实验结果表明该方法在不同应用的 14 个数据集上表现优异，同时参数更少，训练效率更高。

    Oct, 2020

  • 在图挖掘中引入新的节点预测：使用图神经网络从孤立节点预测所有链接

    介绍了一个新的问题 —— 图挖掘和社交网络分析领域的新节点预测。该问题被归类为零样本外图全链接预测，旨在预测与一个之前与图中的节点断开连接、孤立且未被观察到的新节点的所有链接。实验证明，基于深度图神经网络的架构可以学习解决这个具有挑战性的问题，在文献引用网络中很有效。

    Jan, 2024

  • 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

  • 评估图神经网络在链接预测中的表现：现有缺陷和新基准测试

    本研究旨在克服当前评估链接预测方法存在的问题，包括低于实际性能、部分数据集缺乏统一的数据集划分和评估指标以及易于负采样的不现实评估设置，通过使用相同的数据集和超参数搜索设置对著名方法和数据集进行公平比较，创建基于启发式相关抽样技术的实用评估设置，该评估设置通过多种启发式采样难负样本来提高新挑战和机遇，以与实际情况相一致。

    Jun, 2023