Link prediction
PulseAugur coverage of Link prediction — every cluster mentioning Link prediction across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
SNAP-KG框架实现知识图谱高效流式实体集成
研究人员开发了SNAP-KG，一个旨在更高效地将新实体集成到知识图谱中的新框架。与需要为每个新实体进行重新训练的现有方法不同，SNAP-KG使用投影器将原始特征直接映射到嵌入空间，从而实现即时聚类分配。这种归纳方法显著加快了推理时间，并保持了具有竞争力的聚类质量，这在多个基准数据集和大型知识图谱上得到了证明。
-
新研究对用于网络分析的双曲图嵌入器进行基准测试
一篇新发表在arXiv上的论文对机器学习、网络科学和算法学中的十三个无监督双曲图嵌入器进行了基准测试。该研究评估了这些方法在各种合成和经验网络上的链接预测和拓扑重建能力。结果表明，基于最大似然和表示学习的方法（包括混合变体）通常表现最佳，但没有一种方法在所有场景下都表现出色。该研究为根据网络特性和任务需求选择合适的方法提供了指导。
-
新的非线性拉普拉斯算子增强了用于有向符号数据的图神经网络
研究人员开发了一种新的非线性拉普拉斯算子，称为 NLSD，专门用于有向符号图。该算子通过计算特定于节点的势能，并仅在势能差异与边的方向一致的边上利用消息传递技术，来扩展现有的有向和符号图概念。基于该算子的 NLSD-GNN 框架在各种数据集的节点分类和链接预测任务中表现出卓越的性能，有效地整合了符号和方向信息。
-
New protocol for GNN cross-task transfer reveals directional predictability
研究人员开发了一种新的协议，用于可靠地评估图神经网络（GNN）在节点分类（NC）和链接预测（LP）任务中的跨任务迁移。他们的发现表明，从NC到LP的迁移通常是有益的，尤其是在同质性图上，而从LP到NC的迁移则不太一致，有时甚至会降低性能。该研究还引入了CoTask Score（CTS）来衡量联合效用，并提出简单的图数据集统计信息（如同质性）可以帮助预测和减轻负迁移。
-
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。