Jun, 2024

基于图神经网络的启发式学习：一种用于链接预测的统一框架

PDF
TL;DR利用统一矩阵公式和 HL-GNN 方法，本研究提出了一种整合了各类算启发式方法和传统图神经网络的学习模型，通过广泛的实验验证了其高效性和显著优于现有方法的预测性能。
link predictiongraph learningheuristicsmatrix formulationhl-gnn
发现论文，激发创造
  • 基于图神经网络的链接预测

    本文研究了一种基于图神经网络的启发式学习方法，通过提取目标链接周围的局部子图，学习一个将子图模式映射到链接存在性的函数，从而自动学习适合当前网络的启发式算法，实验结果表明其性能优越。

    Feb, 2018

  • 分级消息传递图神经网络

    提出了一种新的 Hierarchical Message-passing Graph Neural Networks 框架，通过生成 hierarchical structure，并采用 inra- 和 inter-level propagation manners 以及 hierarchical community detection algorithm，实现了对长程信息的高效访问，从而在节点分类、社区检测等任务中优于现有基于 GNN 的模型。

    Sep, 2020

  • 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

  • 自适应通用广义 PageRank 图神经网络

    本文提出了一种新的广义 PageRank（GPR）图神经网络（GNN）架构，用于联合优化节点特征和拓扑信息提取，无论节点标签是同质的还是异质的。通过学习 GPR 权重，学到适应节点标签模式的权重，避免了特征信息过度平滑的问题，从而提高了在同质性和异质性数据集上的节点分类性能。

    Jun, 2020

  • 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

  • 从异质性学习：超图的动态学习框架

    本文提出了一种名为 LFH 的超图学习框架，能够通过动态超边构建和注意力嵌入更新利用图的异质性属性进行超图学习，在多个数据集上的实验证明其有效性。

    Jul, 2023

  • 图神经网络启发式算法无法在解决如 Max-Cut 等组合优化问题中超越贪婪算法

    Schuetz 等人提出了一种使用图神经网络作为启发式方法来解决各种组合优化问题的方案，该方法通过样例实例对网络进行训练，并应用广泛使用的技术来评估其成功的能力，尽管报告的结果只比梯度下降略有改善，但该方法承诺具有高度可伸缩性和计算成本线性。

    Oct, 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

  • 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