Inductive Link Prediction for Nodes Having Only Attribute Information
University of New South Wales(新南威尔士大学);University of Science and Technology of China(中国科学技术大学);The Chinese University of Hong Kong(香港中文大学)
预测两个节点之间的链接是图数据分析的基本问题。在属性图中,结构和属性信息都可以用于链接预测。大多数现有的研究集中在两个节点都已经在图中的转导链接预测。然而,许多现实世界的应用需要归纳预测新的节点只有属性信息。这更具挑战性,因为新节点没有结构信息,并且在模型训练期间无法看到。为了解决这个问题,我们提出了一个称为DEAL的模型,它由三个组件组成:两个节点嵌入编码器和一个对齐机制。两个编码器分别输出面向属性的节点嵌入和面向结构的节点嵌入,对齐机制将两类嵌入对齐,建立属性和链接之间的连接。我们的模型DEAL是通用的,在这个意义上,它适用于感应和转导链接预测。在多个基准数据集上的大量实验表明,该模型的性能明显优于现有的归纳链接预测方法,也优于现有的归纳链接预测方法.
2020-07-16 cs.LG cs.SI stat.ML
How Neural Processes Improve Graph Link Prediction
The University of Sydney(悉尼大学)
链接预测是图数据分析中的一个基本问题。虽然大多数文献集中在需要所有图节点和大多数链接进行训练的转导链接预测上,但仅使用一部分节点及其链接进行训练的归纳链接预测在各种现实世界应用中是更具挑战性的问题。在本文中,我们提出了一个元学习方法与图神经网络的链接预测:神经过程图神经网络(NPGNN),它可以执行两个转导和归纳学习任务,并适应模式在一个大的新的图训练后,一个小的子图。在真实世界的图上进行实验来验证我们的模型,结果表明,与其他最先进的模型相比,所提出的方法具有更强的性能,同时在较小的子图上训练时具有很好的泛化能力。
2021-09-30 cs.LG stat.ML
Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction
KAIST(韩国科学技术院);AITRICS
许多实际的图问题,如知识图谱构建和药物相互作用预测,需要处理多关系图。然而,使用图神经网络(GNN)处理现实世界的多关系图通常具有挑战性,因为它们的演化性质,随着时间的推移,新的实体(节点)可能会出现。此外,新出现的实体往往没有什么联系,这使得学习更加困难。出于这一挑战,我们引入了一个现实的问题,Few-Shot出图链接预测,在那里我们不仅预测看到的和看不见的节点之间的链接,在传统的知识外链接预测任务,但也看不见的节点之间,每个节点只有很少的边缘。我们用一个新的转导元学习框架来解决这个问题,我们称之为图外推网络(GEN)。GEN元学习用于归纳推理(seen-to-unseen)的节点嵌入网络和用于转导推理(unseen-to-unseen)的链接预测网络。对于直推式链接预测,我们进一步提出了一个随机嵌入层来模拟未知实体之间的链接预测中的不确定性。我们在多个基准数据集上验证了我们的模型,用于知识图谱完成和药物相互作用预测。结果表明,我们的模型显着优于相关基线的图外链接预测任务。
2020-10-29 cs.LG stat.ML
Hybrid Gaussian Process Regression with Temporal Feature Extraction for Partially Interpretable Remaining Useful Life Interval Prediction in Aeroengine Prognostics
Fudan University(复旦大学)
本文提出一种改进的高斯过程回归与深度自适应学习相结合的混合模型,用于航空发动机剩余使用寿命区间预测,通过时序特征提取和特征重要性评估提升预测准确性、可解释性与不确定性建模能力。
2024-11-19 cs.AI cs.LG stat.ML
Joint Registration and Conformal Prediction for Partially Observed Functional Data
The Ohio State University(俄亥俄州立大学)
针对部分观测函数型数据缺失段预测的挑战,提出联合配准与保形预测方法,分离振幅和相位变异,整合配准与预测,生成可靠预测带,且实现简单、计算高效。
2025-11-19 stat.ME stat.ML
Semi-supervised Graph Embedding Approach to Dynamic Link Prediction
The University of Tokyo(东京大学)
我们提出了一个简单的离散时间半监督图嵌入方法,在动态网络中的链接预测。学习的嵌入反映了来自时间和横截面网络结构的信息,这是通过将损失函数定义为来自过去动态的监督损失和预测当前网络中的邻域上下文的无监督损失的加权和来执行的。我们的模型也能够学习不同的嵌入形成和溶解动力学。这些关键方面有助于我们的模型的预测性能,我们提供了三个真实世界的动态网络的实验表明,我们的方法是可比的最先进的方法在链接形成预测和优于最先进的基线方法在链接解散预测。
2016-10-14 cs.LG cs.SI physics.soc-ph
Max-Margin Nonparametric Latent Feature Models for Link Prediction
Tsinghua University(清华大学)
链接预测是统计网络分析中的一项基本任务。最近的进展已经取得了学习灵活的非参数贝叶斯潜在特征模型的链接预测。在本文中,我们提出了一个最大间距学习方法,这种非参数的潜在特征关系模型。我们的方法试图将最大间隔学习和贝叶斯非参数的思想结合起来,发现链接预测的潜在特征。它继承了非参数贝叶斯方法的先进性,以推断未知的潜在社会维度,而对于判别式链接预测,它采用最大余量学习原则,通过使用线性期望算子最小化铰链损失,而不处理高度非线性的链接似然函数。对于后验推理,我们开发了一个有效的随机变分推理算法截断平均场假设下。我们的方法可以扩展到具有数百万个实体和数千万个正链接的大规模真实网络。我们还提供了一个完整的贝叶斯公式,可以避免调整正则化超参数。在不同的真实数据集上的实验结果表明了最大间隔学习和贝叶斯非参数推理的优点。
2016-02-24 cs.LG cs.SI stat.ME
Classification Using Link Prediction
Amirkabir University of Technology(阿米尔卡比尔理工大学)
图中的链接预测是检测在不久的将来会形成的丢失链接的问题。使用数据的图形表示,我们可以将分类问题转化为链接预测问题,其目的是找到未标记数据(未标记节点)与其类之间的缺失链接。据我们所知,尽管许多算法使用数据的图形表示进行分类,但没有一个算法使用链接预测作为其分类过程的核心。在这项工作中,我们提出了一种新的算法,称为CULP(分类使用链接预测),它使用一种新的结构,即标签嵌入图或LEG和链接预测找到类的未标记的数据。不同的链接预测器以及兼容性得分-我们提出的一种新的链接预测器,专门为我们的设置设计-已经被使用,并显示出对不同数据集进行分类的有希望的结果。本文进一步改进了CULP设计一个扩展名为CULM,它使用多数表决(因此在首字母缩略词中的M)的过程与权重成比例的预测的置信度,以使用多个链接预测器的预测能力,并利用低层次的数据特征。大量的实验结果表明,CULP和CULM都具有很高的准确性,并与最先进的图分类器和一般分类器竞争。
2018-10-01 cs.LG stat.ML
Learning to Partially Defer for Sequences
Department of Statistics University of Michigan(统计系密歇根大学)
针对序列预测,提出两种基于模型的事后拒绝器,实现细粒度部分延迟决策,在多个任务上优于整体延迟,改善成本-准确性权衡。
2025-10-08 cs.LG stat.ME stat.ML
Link prediction for egocentrically sampled networks
网络中的链路预测通常通过估计或排序所有节点对的边的概率来实现。在实践中,特别是对于社交网络,数据通常通过以自我为中心的采样来收集,这意味着选择节点的子集并记录它们的所有边。这种采样机制需要与链路随机缺失的典型假设不同的预测工具。我们提出了一个新的计算效率的链接预测算法的自我中心采样网络,估计其行空间的潜在概率矩阵。对于通过采样行创建的网络,我们的方法优于许多流行的链接预测和图子估计技术。
2018-03-12 cs.LG stat.CO stat.ML
Non-asymptotic Optimal Prediction Error for Growing-dimensional Partially Functional Linear Models
在再生核希尔伯特空间(RKHS)下,研究了部分泛函线性模型(PFLM)的惩罚最小二乘估计问题,PFLM的预测量包含泛函部分和传统多元部分,且多元部分允许参数个数不同.从非渐近的角度,我们专注于速率最优的上界和下界的预测误差。在一个更一般的假设下,即模型的有效维数下,以非渐近形式显示了超额预测风险的精确上界,通过该假设,我们还显示了当多变量协变量$p$的数量随样本量$n$略微增加时的预测一致性。我们的新发现意味着非功能性预测因子的数量和内核主成分的有效维度之间的权衡,以确保在增加的维度设置中的预测一致性。证明中的分析依赖于协方差算子和再生核的夹心算子的谱条件,以及希尔伯特空间中随机元的次高斯和Berstein集中不等式.最后,在Kullback-Leibler发散的正则性假设下,得到了模型的非渐近极大极小下界.
2022-09-30 math.FA math.ST stat.ML
ALPINE: Active Link Prediction using Network Embedding
Ghent University(根特大学);IDLab(ID实验室);Dept. of Electronics and Information Systems(电子与信息系统系)
许多现实世界的问题可以形式化为预测部分观测网络中的链接。例如,Facebook的友谊建议,消费者产品推荐,以及识别犯罪网络中参与者之间的隐藏互动。几种链接预测算法,特别是最近引入的使用网络嵌入的算法,能够通过仅依赖于网络的观察部分来实现这一点。通常,可以查询节点对的链路状态,其可以被链接预测算法用作附加信息。不幸的是,这样的查询可能是昂贵的或耗时的,强制仔细考虑哪些节点对查询。在本文中,我们估计查询任何特定的节点对后,在链接预测准确性的改善,使用在主动学习设置。具体来说,我们提出了ALPINE(主动链路预测使用网络嵌入),第一种方法来实现这一链接预测的基础上网络嵌入。为此,我们从实验设计中推广了V-最优性的概念,以及最初在标准分类设置中开发的更基本的主动学习策略。实际数据的实验结果表明,ALPINE是可扩展的,并提高链接预测的准确性与少得多的查询。
2020-02-04 cs.IT cs.LG math.IT
On the prediction loss of the lasso in the partially labeled setting
在本文中,我们重新审视的风险界的套索估计的上下文中的转导和半监督学习。换句话说,所考虑的设置是部分标记下的随机设计的回归。主要目标是获得用户友好的离样本预测风险的界限。为此,考虑了有界响应变量和有界(高维)协变量的简单设置。我们提出了一些新的适应这些设置的套索,并建立预言不等式的期望和偏差。这些结果提供了风险的非渐近上界,突出了由于线性模型的错误指定导致的偏倚、由于近似稀疏性导致的偏倚和方差之间的相互作用。他们还表明,大量的未标记的功能的存在下,可能会有显着的积极影响的情况下,限制的特征值的设计矩阵消失或非常小。
2016-11-08 math.ST stat.ML stat.TH
Partially blind domain adaptation for age prediction from DNA methylation data
在过去的几年里,大量的生物学和医学数据资源已可用于研究。这些数据为机器学习在医疗保健领域的应用提供了很好的机会,例如用于精准医疗,但分析起来也具有挑战性。典型的挑战包括大量可能相关的特征和数据的异质性。与此相关的一个蓬勃发展的生物学研究领域是表观遗传学。在这里,特别是大量的DNA甲基化数据已经出现。这种表观遗传标记已被用于预测捐赠者的“表观遗传年龄”,而表观遗传衰老的增加与生活方式和疾病史有关。在本文中,我们提出了一个自适应模型,该模型根据输入数据的分布分别为每个测试样本进行特征选择。该方法可以看作是部分盲域自适应。我们将该模型应用于基于来自各种组织的DNA甲基化数据的年龄预测问题,并将其与不考虑异质性的标准模型进行比较。标准方法在一种组织类型上的性能特别差,我们用新的自适应方法显示出了实质性的改进,即使该组织的样本不是训练数据的一部分。
2016-12-20 q-bio.QM stat.ML
Causal Lifting and Link Prediction
Vector Institute(向量研究所);Purdue University(普渡大学);Intel Labs(英特尔实验室)
针对路径依赖的链接形成问题,提出首个处理该依赖的因果链接预测模型,引入因果提升概念以利用有限干预数据识别因果查询,并证明结构性成对嵌入比现有节点嵌入偏差更低且能正确表示因果结构。
2023-07-27 cs.AI cs.LG stat.ME
Meta Relational Learning for Few-Shot Link Prediction in Knowledge Graphs
College of Computer Science and Technology, Zhejiang University(浙江大学计算机科学与技术学院);Alibaba Group(阿里巴巴集团);AZFT Joint Lab for Knowledge Engine(AZFT知识引擎联合实验室)
链接预测是知识图谱完备化的重要方法,而基于嵌入的知识图链接预测方法在只有少量关联三元组的关系上表现不佳。在这项工作中,我们提出了一个Meta关系学习(MetaR)的框架来做常见的,但具有挑战性的Few-Shot链接预测在KG中,即预测新的三元组的关系,只观察几个关联三元组。我们解决了Few-Shot链接预测问题,通过转移特定于关系的Meta信息,使模型学习最重要的知识,学习速度更快,分别对应于MetaR中的关系Meta和梯度Meta。从经验上讲,我们的模型在Few-Shot链接预测KG基准测试中取得了最先进的结果。
2019-09-04 cs.CL stat.ML
Improved rates for prediction and identification of partially observed linear dynamical systems
Duke University(杜克大学)
从部分观测值辨识线性时不变动态系统是控制理论中的一个基本问题。特别具有挑战性的是表现出长期记忆的系统。一个自然的问题是如何学习这样的系统与非渐近统计率取决于系统的固有维数(顺序)$d$,而不是在可能更大的内存长度。我们提出了一种算法,给出了一个单一的轨迹长度$T$与高斯观测噪声,学习系统的$\widetilde O\left(\sqrt\frac{d}{T}\right)$在$\mathcal{H}_2$错误的接近最优的速率,只有对数,而不是多项式依赖于内存长度。我们还给出了边界下的过程噪声和改进的边界学习实现的系统。我们的算法是基于多尺度低秩近似:SVD应用于几何增加大小的汉克尔矩阵。我们的分析依赖于仔细应用的浓度范围上的傅立叶域-我们给相关输入的样本协方差和$\mathcal H_\infty$范数估计,这可能是独立的利益更清晰的浓度范围。
2022-03-07 cs.LG cs.SY eess.SY