Attribute-Enhanced Similarity Ranking for Sparse Link Prediction
Rice University（莱斯大学）；UC Santa Barbara（加州大学圣巴巴拉分校）；TikTok Inc.（字节跳动公司）；Visa Inc.（维萨公司）
针对稀疏图链路预测中均衡评估失真问题，提出 Gelato，融合属性图学习、排序损失与图划分难负采样，性能优于现有 GNN 方法。
2024-11-29 cs.AI cs.LG cs.SI
Link Polarity Prediction from Sparse and Noisy Labels via Multiscale Social Balance
University of Pisa（比萨大学）；ICAR-CNR（意大利国家研究委员会ICAR研究所）；Sapienza University（罗马大学）；CENTAI；Eurecat（欧洲科技中心）
本文提出一种基于多尺度社会平衡的半监督学习框架，通过与任意符号图神经网络架构无缝集成并动态调整样本权重，有效解决了稀疏且带噪标签下的链接极性预测问题。
2024-07-22 cs.LG cs.SI
Mandala Networks: ultra-robust, ultra-small-world and highly sparse graphs
基础设施对安全性和可靠性的要求越来越高，这就要求对其嵌入式复杂网络拓扑结构进行优化设计。接下来的问题出现了：什么是最佳布局，以满足最好的所有需求？在这里，我们提出了一个通用的解决方案，这个问题与无标度网络，如互联网和航空公司网络。准确地说，我们公开了一种系统地构建网络的方法，该网络对随机故障以及恶意攻击具有100个$\%$鲁棒性。此外，随着这些网络规模的增加，它们的最短路径变得渐近不变，链接密度变为零，分别使它们成为超小世界和高度稀疏。第一个属性是理想的通信和导航目的，而第二个是有趣的经济。
2014-06-27 cs.SI physics.soc-ph
A Hybrid TGN-SEAL Model for Dynamic Graph Link Prediction
Department of Computer Engineering, Sharif University of Technology（谢尔万大学计算机工程系）；Tehran Institute for Advanced Studies, Khatam University（泰赫兰高级研究院，卡塔姆大学）
本文提出混合TGN-SEAL模型，通过提取候选链接周围子图，联合学习结构和时间信息，提升稀疏动态网络链接预测性能。
2026-06-25 cs.AI cs.LG cs.SI
Link Prediction in Complex Networks: A Clustering Perspective
链接预测是复杂网络中的一个开放性问题，目前引起了广泛的研究兴趣。然而，很少有人注意到网络结构和预测方法的性能之间的关系。为了填补这一重要空白，我们试图从聚类的角度来理解网络结构如何影响链接预测方法的性能。我们在合成网络和真实网络上的实验表明，随着聚类的增长，这些方法的精度可以显着提高，而对于稀疏和弱聚类的网络，它们的性能较差。我们解释这一点，通过积极和消极的情况下的分数分布之间的聚类增加所造成的。我们的发现也揭示了如何选择合适的方法，不同的网络具有不同的密度和聚类的问题。
2011-03-25 cs.SI physics.soc-ph
Attributed Graph Neural Networks for Recommendation Systems on Large-Scale and Sparse Graph
结构化数据中的链接预测对于许多应用，特别是推荐系统来说是一个重要的问题。现有的方法集中在如何学习基于图的结构的节点表示。高维稀疏边缘特征没有得到充分利用。由于平衡精度和计算效率对于现实世界中的推荐系统具有重要意义，大规模稀疏图中的多级特征表示仍然缺乏有效的解决方案。在本文中，我们提出了一个实用的解决方案，图神经网络称为属性图卷积网络（AGCN），以纳入边缘属性时，应用图神经网络在大规模稀疏网络。我们制定的链接预测问题作为一个子图分类问题。我们首先提出一个有效的两级投影将拓扑结构分解为节点-边对，并将它们投影到同一个交互特征空间。然后，我们应用多层GCN组合投影的节点-边缘对来捕获拓扑结构。最后，将两个单元的池化表示作为分类器的输入来预测概率。我们在两个工业数据集和一个公共数据集上进行了离线实验，并证明了AGCN优于其他优秀的基线。此外，我们还将AGCN方法部署到鲜柚和速卖通的重要场景中。在在线系统中，AGCN在在线指标上实现了超过5%的改进。
2021-12-26 cs.SI
Fast-Convergent Dynamics for Distributed Allocation of Resources Over Switching Sparse Networks with Quantized Communication Links
Aalto University（阿尔托大学）；Semnan University（塞姆南大学）；University of Cyprus（塞浦路斯大学）；Georgia State University（佐治亚州立大学）；University of Waterloo（滑铁卢大学）；City University of Hong Kong（香港城市大学）；Tufts University（塔夫茨大学）
本文提出了网络动力学来解决时变多智能体网络上的资源分配问题。每个代理的状态表示所使用的资源量（或所产生的实用程序），而资源总量是固定的。其思想是在固定的资源总量下，通过最小化总代价函数来优化资源分配。每个智能体的信息被限制在它自己的状态和代价函数和它的直接内邻居的。这是由分布式应用，如移动边缘计算，经济调度智能电网，和多代理覆盖控制。这项工作提供了一个快速收敛的解决方案（与线性动力学相比），同时考虑宽松的网络连接与量化的通信链路。所提出的动态切换（可能断开）无向网络达到最优解，只要他们的工会在一些有界的非重叠的时间间隔有一个生成树。我们证明了解决方案的可行性，最优状态的唯一性，并收敛到最优值下提出的动态，其中的分析是适用于类似的一阶分配动态具有强烈的符号保持非线性，如致动器饱和。
2022-07-25 cs.LG cs.MA cs.SI
Sampling Enclosing Subgraphs for Link Prediction
Ontario Tech University（安大略理工大学）
链接预测是图结构数据（例如，社交网络、药物副作用网络等）。图神经网络已经为这个问题提供了鲁棒的解决方案，特别是通过学习包围目标链路的子图的表示（即，节点对）。然而，这些解决方案不能很好地扩展到大型图，因为对封闭子图的提取和操作在计算上是昂贵的，特别是对于大型图。本文提出了一种可扩展的链接预测解决方案，我们称之为ScaLed，它利用稀疏封闭子图进行预测。为了提取稀疏封闭子图，ScaLed从目标节点对进行多次随机游走，然后对由所有访问节点引起的采样封闭子图进行操作。通过利用较小的采样封闭子图，ScaLed可以以更少的开销扩展到更大的图，同时保持高准确性。ScaLed还提供了灵活性来控制计算开销和准确性之间的权衡。通过全面的实验，我们已经表明，ScaLed可以产生与现有子图表示学习框架报告的准确性相当的准确性，同时计算要求较低。
2022-06-23 cs.LG cs.SI
Exact Representation of Sparse Networks with Symmetric Nonnegative Embeddings
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Adobe Research（奥多比研究院）
无向图的许多模型都是基于对图的邻接矩阵进行因式分解;这些模型找到每个节点的向量表示，使得两个节点之间的链接的预测概率随着其相关向量的相似性（点积）而增加。最近的研究表明，这些模型无法捕捉真实世界的图中的关键结构，特别是异质结构，其中链接发生在不同的节点之间。相比之下，基于逻辑主成分分析（LPCA）的每个节点具有两个向量的因子分解已被证明不仅可以表示这样的结构，而且可以提供任何具有有界最大度的图的精确低秩因子分解。然而，这个界限对现实世界的网络适用性有限，现实世界的网络通常具有幂律度分布，最大度很高。此外，LPCA模型缺乏可解释性，因为它的非对称因子分解不反映图的无向性。我们以两种方式解决这些问题。首先，我们证明了LPCA模型的荫度，而不是最大程度的一个新的界限，这大大增加了许多稀疏的现实世界的网络的适用性。其次，我们提出了一种替代的图形模型，其分解是对称的和非负的，这使得链接预测被解释的节点集群。我们表明，在LPCA模型中的精确表示的界限扩展到我们的新模型。在经验方面，我们的模型在真实世界的图上有效地优化了交叉熵损失的梯度下降。我们证明了其有效性的各种基础任务，如社区发现和链接预测。
2022-09-30 cs.LG cs.SI
TeleGraph: A Benchmark Dataset for Hierarchical Link Prediction
Fudan University（复旦大学）；The Chinese University of Hong Kong（香港中文大学）
针对现有链接预测方法在稀疏层次网络上的不足，本文提出电信网络基准数据集TeleGraph，并通过实验表明多数算法在近树状数据上性能不佳，为实际部署提供警示。
2024-01-14 cs.AI cs.SI
On the effect of the average clustering coefficient on topology-based link prediction in featureless graphs
该研究针对无特征图中缺乏明确稠密/稀疏区分标准导致链路预测算法选择困难的问题，提出以平均聚类系数作为图密度评估标准，还设计了基于Barabasi-Albert模型的可控密度图生成方法，通过实验确立经验边界以辅助算法选型。
2025-01-12 cs.SI
From sparse to dense and from assortative to disassortative in online social networks
受几个经验性在线社交网络分析的启发，我们提出了一个简单的反应扩散式的共同进化模型，其中个人被激活，以创建基于他们的状态的链接，影响当地的动态和自己的意图。结果表明，该模型可以重现显着的性质，观察到的经验在线社交网络，特别是，折射系数是中性或负的，幂律指数小于2。此外，我们证明，在适当的条件下，该模型网络自然地使过渡（S）从稀疏到稠密的特性，从稀疏到离散。该模型有助于理解在线社交网络的形成和演化。
2014-04-12 cond-mat.stat-mech cs.SI physics.soc-ph
A Dynamic Edge Exchangeable Model for Sparse Temporal Networks
我们提出了一个动态的边缘可交换网络模型，可以捕捉稀疏连接在真实的时间网络中观察到的，与现有的模型是密集的。与块模型的动态变体相比，该模型在多个数据集上实现了卓越的链接预测精度，并且能够从数据中提取可解释的时变社区结构。除了稀疏性之外，该模型还考虑了社会影响对顶点未来行为的影响。与动态块模型相比，我们的模型具有更小的潜在空间。紧凑的潜在空间需要更少数量的参数估计在变分推断和结果在计算上友好的推理算法。
2017-10-11 cs.SI stat.ML
Link Prediction for Temporally Consistent Networks
动态网络具有内在的结构、计算和多学科优势。链接预测估计动态网络中的下一个关系。然而，在当前的链接预测方法中，仅考虑二分或非二分但同质的网络。使用邻接矩阵来表示动态演化的网络限制了从异构、稀疏或形成的网络中分析学习的能力。在异构网络的情况下，使用二进制值矩阵对所有网络状态进行建模可能是困难的。另一方面，稀疏或当前形成的网络具有许多缺失的边缘，这些边缘被表示为零，从而引入类不平衡或噪声。我们提出了一个时间参数化矩阵（TP矩阵），并实证证明其在非二分异构网络的有效性。此外，我们提出了一个预测影响力指数作为衡量一个节点的提升或减少预测的影响，使用向后和向前看的最大化的时间空间的n度邻域。我们进一步提出了一种新的方法，规范表示异构的时间演化活动的时间参数化网络模型（TPNM）。新方法鲁棒地使活动被表示为网络的形式，从而潜在地激发新的链接预测应用，包括智能业务流程管理系统和上下文感知工作流引擎。我们在不同网络系统的四个数据集上评估了我们的模型。我们目前的结果表明，该模型是更有效地捕捉和保持动态演变的网络中的时间关系。我们还表明，我们的模型比最先进的链接预测基准测试结果的网络是敏感的时间演变。
2020-06-06 cs.NE cs.SI
CGLE: Class-label Graph Link Estimator for Link Prediction
本文提出CGLE框架，通过构建类条件链接概率矩阵作为语义先验并与GNN结构嵌入拼接，在不增加计算复杂度的情况下显著提升同质图和稀疏异质图上的链接预测性能。
2025-11-10 cs.IR cs.SI
TGSBM: Transformer-Guided Stochastic Block Model for Link Prediction
Jilin University（吉林大学）
TGSBM结合随机块模型和图变换器，通过高效结构和可解释性提升大规模链接预测的性能与效率。
2026-01-28 cs.IR cs.SI
Predicting missing links via correlation between nodes
链接预测是许多领域中的一个基本问题，其目的是根据观测到的信息来估计两个节点之间存在链接的可能性。由于这个问题涉及到许多应用，从发现丢失的数据到预测网络的演变，最近已经深入研究了链接预测，到目前为止已经提出了许多方法。链接预测的本质挑战是估计节点之间的相似性。现有的大多数方法都是基于公共邻居索引及其变体。在本文中，我们提出了计算节点之间的相似性的相关系数。该方法被认为是非常有效的应用时，计算基于高阶路径的相似性。最后，我们将基于相关性的方法与资源分配方法相结合，发现结合的方法可以大大优于现有的方法，特别是在稀疏网络中。
2014-09-30 cs.SI physics.data-an physics.soc-ph
Grand canonical ensembles of sparse networks and Bayesian inference
最大熵网络集成在稀疏网络拓扑建模和解决具有挑战性的推理问题方面非常成功。然而，迄今为止提出的稀疏最大熵网络模型具有固定的节点数量，并且通常不可交换。在这里，我们考虑可交换网络的层次模型在稀疏的限制，即与链接的总数与节点的总数线性缩放。该方法是巨正则的，即网络的节点数不是先验固定的：它是有限的，但可以是任意大的。通过这种方式，巨正则网络系综规避了处理无限稀疏可交换网络的困难，根据Aldous-Hoover定理，这些网络必须为零。该方法可以处理具有给定度分布的网络，也可以处理具有给定潜变量分布的网络。当只有一个子图所引起的一个子集的节点是已知的，该模型允许贝叶斯估计的网络规模和程度序列（或序列的潜变量）的整个网络，可用于网络重建。
2022-04-26 cond-mat.dis-nn cs.SI math.ST
Link prediction for partially observed networks
George Mason University（乔治梅森大学）；University of Michigan（密歇根大学）
链路预测是网络分析的基本问题之一。在许多应用中，特别是在遗传学中，部分观察到的网络可能不包含任何缺失边缘的负面示例，这给许多现有的监督学习方法带来了困难。我们提出了一种新的方法，将观察到的网络作为真实网络的一个样本，对正例和反例采用不同的采样率。我们得到一个相对的潜在链接的概率排名，利用节点协变量以及网络拓扑结构上的信息。经验上，该方法在许多设置下都表现良好，包括当观察到的网络稀疏时。我们将该方法应用于蛋白质-蛋白质相互作用网络和学校友谊网络。
2013-01-29 cs.LG cs.SI stat.ML
Parameter estimators of random intersection graphs with thinned communities
研究了由大量随机大小的重叠社区组成的统计网络模型，其中共享社区的任意一对节点通过社区以概率$q$连接。在$q=1$的特殊情况下，该模型简化为一个随机交图，这是已知的，以产生高层次的传递性，也在稀疏的上下文中。参数$q$增加了一个自由度，并导致一个简约的和易于分析的网络模型，具有可调的密度，传递性和度波动。我们证明了该模型的参数可以一致估计在大和稀疏的限制制度使用矩估计的基础上部分观察到的密度的链接，2星，和三角形。
2018-06-24 cs.SI math.PR math.ST
Implementation of Privacy-preserving SimRank over Distributed Information Network
近年来，信息网络分析引起了人们的广泛关注。在网络分析的所有方面中，节点的相似性度量已经在许多应用中被证明是有用的，例如聚类、链接预测和社区识别，仅举几例。由于大型网络中的链接数据本质上是稀疏的，应注意收集更多的数据可以提高相似性度量的质量。这给了不同的参与方合作的动力。在本文中，我们解决的问题，基于链接的相似性度量的节点分布在不同的缔约方的信息网络。针对数据隐私问题，提出了一种基于全同态加密的隐私保护SimRank协议，为链路提供密码保护。
2012-09-29 cs.CR cs.SI
Infinite Edge Partition Models for Overlapping Community Detection and Link Prediction
提出了一种层次伽玛过程无限边划分模型，用于分解Bernoulli-Poisson链接下的无权无向关系网络的二元邻接矩阵。该模型描述了同伦和随机等价，并可扩展到大型稀疏网络的计算集中在对连接的节点。它不仅可以发现重叠社区和社区间的交互，还可以预测缺失的边缘。还提供了一个省略社区间互动的简化版本，我们揭示了它与现有模型的有趣联系。社区的数量是自动推断在一个非参数贝叶斯的方式，并通过吉布斯抽样使用新的数据增强技术推导出有效的推理。在四个真实网络上的实验结果证明了模型的可扩展性和最先进的性能。
2015-12-30 cs.SI stat.ML
Statistical Guarantees for Link Prediction using Graph Neural Networks
Harvard University（哈佛大学）；Stanford University（斯坦福大学）
本文提出线性GNN架构（LG-GNN），为图生成模型生成的图上的链接预测提供统计保证，包括均方误差界和高概率边检测能力，并验证于真实和合成数据。
2024-02-07 cs.LG cs.SI math.ST
Meta-Graph: Few Shot Link Prediction via Meta Learning
McGill University（麦吉尔大学）；Mila（米拉）；Uber AI（优步人工智能）
我们考虑图上的Few Shot链接预测的任务。目标是从图上的分布中学习，以便模型能够在少量训练后快速推断新图中的缺失边缘。我们表明，目前的链接预测方法一般装备不良，以处理这项任务。它们不能有效地将学到的知识从一个图转移到另一个图，也不能有效地从稀疏的边缘样本中学习。为了解决这个问题，我们引入了一个新的基于梯度的元学习框架，Meta-Graph。我们的框架利用高阶梯度以及学习的图签名函数，该函数有条件地生成图神经网络初始化。使用一组新的Few Shot链接预测基准测试，我们表明，元图可以学习快速适应一个新的图形，只使用一个小样本的真正的边缘，不仅能够快速适应，而且还改善了收敛的结果。
2020-03-01 cs.LG cs.SI stat.ML
A Bayesian model for sparse graphs with flexible degree distribution and overlapping community structure
University of Oxford（牛津大学）；AITRICS；The Hong Kong University of Science and Technology（香港科技大学）；Pohang University of Science and Technology（浦项科技大学）
我们考虑一类非投影的非齐次随机图模型，具有可解释的参数和一些有趣的渐近性质。使用Bollobás等人的结果。[2007]，我们证明了i）这类模型是稀疏的，ii）取决于参数的选择，模型要么是无标度的，幂律指数大于2，要么是渐近度分布，幂律指数截止。我们提出了一个扩展的模型，可以容纳重叠的社区结构。由于链接概率的特定选择，可以执行可扩展的后验推理。我们在五个不同的真实世界网络上进行了实验，这些网络具有多达100，000个节点和边缘，表明该模型可以很好地拟合度分布，并很好地恢复潜在的社区结构。
2018-10-03 cs.LG cs.SI stat.ML
