Link prediction
PulseAugur coverage of Link prediction — every cluster mentioning Link prediction across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
图神经网络在链接预测中的介绍
本文介绍了图神经网络（GNNs）及其在链接预测中的应用。文章讨论了技术进步和社交媒体解决方案的兴起，强调了竞争格局以及GNNs在理解数据中复杂关系方面的作用。
-
新方法增强了时序图网络的可解释性
研究人员开发了一种新方法，通过关注时序图网络（TGNs）的记忆模块来解释其预测。该方法利用拓扑归因树来评估邻居及其历史数据的影响，并利用记忆回溯树来量化过去事件如何塑造节点记忆。该方法将LRP应用于TGNs，并包含用于识别重要事件的优化目标，在节点属性预测、链接预测和图分类等各种时序图数据集和任务上，已证明其解释的忠实性并优于现有基线。
-
新PGRE模型增强动态知识图谱分析
研究人员推出了一种新的概率模型PGRE（泊松-伽马关系演化），旨在处理动态知识图谱中的关系间依赖。该模型解决了这些图谱中常见的时序演化、噪声和不完整性带来的挑战。PGRE采用泊松-伯努利公式处理多关系时序链接，并结合伽马分布的潜在变量来捕捉关联和跨关系依赖。实验表明，PGRE在链接预测方面表现具有竞争力，尤其是在稀疏数据场景下，并且能够揭示重要的关系演化模式。
-
新的GNN方法通过早退加速链接预测
研究人员为图神经网络（GNN）开发了早退策略，以提高链接预测任务中的推理速度。这种方法允许GNN在没有显式辅助损失的情况下提前退出，有可能提高预测质量，同时显著降低延迟。该方法在HeaRT等基准测试中，对于GCN和SAS-GNN骨干网络，已显示出推动帕累托前沿的潜力，为GNN在大规模领域中的应用提供了途径。
-
新研究探索更快的GNN和统一理论 · 跟踪2篇论文
两篇最新的arXiv论文探讨了图神经网络（GNN）的进展。第一篇论文介绍了GNN的早期退出策略，以在不显著牺牲预测质量的情况下提高推理速度，并在HeaRT基准上进行了演示。第二篇论文提出了一个更统一的GNN理论框架，认为当前谱图神经网络和消息传递图神经网络之间的划分过于局限，更广阔的视角可以加速图学习的进展。
-
Aitchison几何驱动新的成分图嵌入和风味标记器校准
两篇新的arXiv论文引入了使用Aitchison几何的表示学习新方法。一篇论文提出了一种通过将高能物理中的风味标记器校准构建为概率单纯形上的最优传输问题来校准风味标记器的框架。另一篇论文提出了一个成分图嵌入框架，该框架利用Aitchison几何为节点分类和链接预测等图机器学习任务创建可解释的嵌入。