Multi-Relation Aware Temporal Interaction Network Embedding
Zhejiang University(浙江大学)
时间交互网络在许多领域中形成,例如,电子商务、在线教育和社交网络服务。时态交互网络嵌入可以有效地挖掘时态交互网络中的信息,对上述领域具有重要意义。通常,交互的发生不仅影响直接参与交互的节点(交互节点),而且影响交互节点的邻居节点。然而,现有的时态交互网络嵌入方法只利用历史交互关系挖掘邻居节点,忽略了其他关系类型。本文提出了一种多关系感知的时态交互网络嵌入方法(MRATE)。MRATE基于历史交互,挖掘历史交互关系、共同交互关系和交互序列相似关系,得到交互节点的邻居嵌入。MRATE中的层次多关系感知聚集方法首先利用图注意力网络(GATs)聚集通过同一关系类型传播的交互影响,然后通过自注意机制将聚集的多关系类型的交互影响合并。在三个公开的时态交互网络数据集上进行了实验,实验结果表明了MRATE的有效性。
2021-10-09 cs.LG
Scalable Graph Neural Network-based framework for identifying critical nodes and links in Complex Networks
Kansas State University(堪萨斯州立大学);Columbia University(哥伦比亚大学)
识别图中的关键节点和链接是一项至关重要的任务。这些节点/链路通常表示在系统性能中起关键作用的关键元件/通信链路。然而,文献中关于识别关键节点/链接的大多数方法都是基于迭代方法,该方法一次探索图中的每个节点/链接,对图中的所有节点/链接重复。这种方法具有高计算复杂性,并且所得到的分析也是网络特定的。为了克服这些挑战,本文提出了一个可扩展的和通用的图神经网络(GNN)为基础的框架,以确定在大型复杂网络中的关键节点/链路。该框架定义了一个基于GNN的模型,该模型学习节点/链路的一个小的代表性子集上的节点/链路关键度得分。可以采用适当训练的模型来预测大型图中看不见的节点/链接的得分,从而识别最关键的节点/链接。该框架的可扩展性通过预测大规模合成网络和真实网络中的节点/链接得分来证明。所提出的方法是相当准确的近似的临界分数,并提供了一个显着的计算优势,传统的方法。
2021-05-10 cs.LG cs.SI
Node Classification Meets Link Prediction on Knowledge Graphs
University of Oxford(牛津大学)
节点分类和链接预测在图表示学习中得到了广泛的研究。虽然直推节点分类和链接预测都是在单个输入图上操作的,但到目前为止,它们被分别研究。节点分类模型采用具有节点特征和不完整节点标签的输入图,并隐含地假设该图是关系完整的,即,没有边缘缺失。相比之下,链接预测模型仅由输入图的关系不完整性驱动,并且通常不利用节点特征或类。我们提出了一个统一的观点和研究的问题(一)不完整的图和(二)链接预测的节点功能的图上的转导节点分类,介绍了一个新的数据集,维基校友,并进行了广泛的基准测试研究。
2021-08-30 cs.AI cs.LG
Inductive Spatio-Temporal Kriging with Physics-Guided Increment Training Strategy for Air Quality Inference
针对空气质量推断中虚拟节点与真实节点不一致的问题,本文提出PGITS,利用颗粒物平流扩散物理动态生成图结构并衔接两类节点,以提升归纳式时空克里金效果。
2025-03-12 cs.LG
Revisiting Node Affinity Prediction in Temporal Graphs
Ben-Gurion University of the Negev(贝纳尔-戈里翁大学奈杰夫分校);University of Bonn(波恩大学);University of Cambridge(剑桥大学)
本文提出NAVIS模型,通过虚拟状态方法改进时间图中节点亲和预测,结合启发式方法与状态空间模型,提出新损失函数并验证其有效性。
2026-02-22 cs.LG
GNNs Meet Sequence Models Along the Shortest-Path: an Expressive Method for Link Prediction
University of Trento(特伦托大学);Fondazione Bruno Kessler(布鲁诺·凯斯勒基金会)
提出SP4LP框架,结合GNN节点编码与最短路径序列建模,以高效捕捉多跳结构模式,在链接预测基准上达到最先进性能并证明其表达力优于现有方法。
2026-11-05 cs.LG
Sequence Diffusion Model for Temporal Link Prediction in Continuous-Time Dynamic Graph
VNU University of Engineering and Technology(越南工程大学)
本文提出SDG模型,通过序列级扩散框架统一动态图学习与生成去噪,以提升时间链接预测的准确性与不确定性捕捉能力。
2026-01-30 cs.LG
tBDFS: Temporal Graph Neural Network Leveraging DFS
Technion, Israel Institute of Technology(以色列理工学院);eBay Research(eBay研究院);Ben-Gurion University of the Negev(内盖夫本-古里安大学)
时态图神经网络(时态GNN)已经得到了广泛的研究,在多个预测任务上达到了最先进的结果。大多数以前的作品所采用的一种常见方法是应用一个层,该层聚合来自节点的历史邻居的信息。采取不同的研究方向,在这项工作中,我们提出了tBDFS -一种新的时态GNN架构。tBDFS应用一个层,该层有效地将来自时间路径的信息聚合到图中的给定(目标)节点。对于每个给定的节点,在两个阶段中应用聚合:(1)针对在该节点中结束的每个时间路径学习单个表示,以及(2)将所有路径表示聚合成最终节点表示。总的来说,我们的目标不是向节点添加新信息,而是以新的视角观察相同的信息。这使得我们的模型能够直接观察到面向路径而不是面向邻域的模式。与之前的作品中应用的流行的呼吸优先搜索(BFS)遍历相比,这可以被认为是对时间图的深度优先搜索(DFS)遍历。我们评估了多个链接预测任务的tBDFS,并显示其良好的性能相比,国家的最先进的基线。据我们所知,我们是第一个应用时间DFS神经网络。
2022-06-12 cs.LG
Temporal Smoothness Regularisers for Neural Link Predictors
University of California, Los Angeles(加州大学洛杉矶分校);Cornell University(康奈尔大学)
本文提出了一种基于时间平滑正则化器的神经链接预测方法,在三个数据集上实现了更准确的结果。
2024-11-05 cs.LG
Link Prediction via Graph Attention Network
Beijing Normal University(北京师范大学)
链接预测是根据当前观测到的部分网络来推断缺失的链接或预测未来的链接,是网络科学中的一个基本问题,有着广泛的应用前景。然而,传统的链接预测方法既不具有高的预测精度,也不能揭示隐藏在链接后面的信息。为了解决这个问题,我们将深度学习的最新技术推广到图上,并提出了一种新的链接预测模型- DeepLinker。DeepLinker不是使用节点标签信息来学习节点表示,而是使用链接作为监督信息。在五个图上的实验表明,DeepLinker不仅能够达到最先进的链接预测精度,而且还可以获得高效的节点表示和节点中心度排名。虽然表示是在没有任何监督节点标签信息的情况下获得的,但它们在节点排名和节点分类任务上仍然表现良好。
2019-10-29 cs.LG cs.SI
Missing Data Estimation in Temporal Multilayer Position-aware Graph Neural Network (TMP-GNN)
University of Toronto(多伦多大学)
GNN已被证明在多个领域的各种节点级、边级和图级预测任务中非常有效。现有的方法主要集中在静态图。然而,许多图随着时间的推移而改变,其边可能消失,或者节点/边属性可能从一个时间改变到另一个时间。在时变图中节点的表示学习中考虑这种演化是必要的。在本文中,我们提出了一个时间多层位置感知的图神经网络(TMP-GNN),一个节点嵌入方法的动态图,嵌入计算结合了时间关系的相互依赖性。我们评估的性能TMP-GNN的两种不同的表示的时间多层图。针对节点级预测任务上最流行的GNN评估性能。然后,我们将TMP-GNN纳入深度学习框架中,以估计缺失数据,并将其性能与我们以前实验中相应的合格GNN以及基线方法进行比较。在四个真实世界数据集上的实验结果产生了高达58%的成对节点分类任务的较低ROC AUC,以及96%的缺失特征估计的较低MAE,特别是对于节点数量相对较多且平均连通度较低的图。
2022-01-15 cs.LG
Distilling Self-Knowledge From Contrastive Links to Classify Graph Nodes Without Passing Messages
University of Electronic Science and Technology of China(电子科技大学)
如今,遵循消息传递范式的图神经网络(GNNs)成为图形数据学习的主要方式。这种范例中的模型必须花费额外的空间来使用邻接矩阵查找相邻节点,并花费额外的时间来聚合来自相邻节点的多个消息。为了解决这个问题,我们开发了一种名为LinkDist的方法,该方法将连接节点对的自我知识提取到多层感知器(MLP)中,而无需聚合消息。对8个真实世界数据集的实验表明,来自LinkDist的MLP可以在不知道其邻接关系的情况下预测节点的标签,但在半监督和全监督节点分类的情况下,与GNN相比具有相当的准确性。此外,LinkDist受益于其非消息传递范式,我们还可以以对比的方式从任意采样的节点对中获取自我知识,以进一步提高LinkDist的性能。
2021-06-16 cs.AI cs.LG
Introducing New Node Prediction in Graph Mining: Predicting All Links from Isolated Nodes with Graph Neural Networks
Universidad Politécnica de Madrid(马德里理工大学)
本文提出图挖掘中的新节点预测问题,即零样本图外全链接预测,并验证基于深度图神经网络的架构可在文献引用网络中预测孤立节点的全部链接。
2024-01-10 cs.AI cs.LG cs.SI
Can GNNs Learn Link Heuristics? A Concise Review and Evaluation of Link Prediction Methods
Faculty of Engineering and Information Technology, University of Technology Sydney(工程与信息技术学院,悉尼大学);Faculty of Engineering and Information Sciences, University of Wollongong(工程与信息科学学院,沃林戈大学);College of Electrical Engineering, Zhejiang University(电气工程学院,浙江大学)
本文研究了图神经网络在链接预测中的能力,发现可训练节点嵌入能提升性能,且图密度越高提升越显著,为未来算法发展提供指导。
2025-12-07 cs.LG cs.SI
Node Embedding over Temporal Graphs
Technion, Israel Institute of Technology(以色列理工学院);eBay Research(易贝研究院)
在这项工作中,我们提出了一种方法,在时间图的节点嵌入。我们提出了一种算法,学习时间图的节点和边随着时间的推移的演变,并将这种动态的时间节点嵌入框架中的不同的图形预测任务。我们提出了一个联合损失函数,该函数通过学习组合节点的历史时间嵌入来创建节点的时间嵌入,使得它针对给定任务进行优化(例如,链接预测)。该算法使用静态节点嵌入进行初始化,然后在不同时间点对节点的表示进行对齐,并最终在联合优化中适应给定的任务。我们评估了我们的方法的有效性,在各种时间图的时间链接预测和多标签节点分类的两个基本任务,比较有竞争力的基线和算法的替代品。我们的算法在许多数据集和基线上都显示出了性能上的改进,并且对于内聚性较低、聚类系数较低的图特别有效。
2021-05-19 cs.LG cs.SI stat.ML
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
Inductive Representation Learning on Temporal Graphs
Walmart Labs(沃尔玛实验室)
时态图上的归纳表示学习是在真实世界动态网络上进行可扩展机器学习的重要一步。时态动态图的演化性质要求处理新节点以及捕获时态模式。节点嵌入,现在是时间的函数,应该代表静态节点功能和不断变化的拓扑结构。此外,节点和拓扑特征也可以是时态的,节点嵌入也应该捕获其模式。我们提出了时间图注意(TGAT)层,以有效地聚合时间拓扑邻域功能,以及学习的时间特征的相互作用。对于TGAT,我们使用自注意机制作为构建块,并开发了一种新的功能性时间编码技术的基础上,经典的Bochner定理从谐波分析。通过堆叠TGAT层,网络将节点嵌入识别为时间的函数,并且能够随着图的演变归纳地推断新节点和观察到的节点的嵌入。所提出的方法处理节点分类和链接预测任务,并且可以自然地扩展到包括时间边缘特征。我们用两个基准和一个工业数据集在时间设置下的转换和归纳任务来评估我们的方法。我们的TGAT模型与最先进的基线以及以前的时间图嵌入方法相比毫不逊色。
2020-02-19 cs.LG stat.ML
Transformation of Node to Knowledge Graph Embeddings for Faster Link Prediction in Social Networks
University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校);Siemens Corporate Technology(西门子企业技术)
神经网络的最新进展已经解决了常见的图形问题,如链接预测,节点分类,节点聚类,节点推荐,通过开发实体和关系到向量空间的嵌入。图嵌入对图中存在的结构信息进行编码。然后,编码的嵌入可以用于预测图中丢失的链接。然而,获得最佳的嵌入图可以是一个具有挑战性的计算任务,特别是在嵌入式系统。我们在这项工作中关注的两个技术是1)基于随机游走的方法的节点嵌入和2)知识图谱嵌入。基于随机游走的嵌入在计算上是廉价的,但是是次优的,而知识图谱嵌入表现更好,但是在计算上是昂贵的。在这项工作中,我们研究了一个转换模型,该模型将从基于随机游走的方法获得的节点嵌入直接从知识图谱方法获得的嵌入,而不会增加计算成本。大量的实验表明,所提出的转换模型可以用于实时解决链接预测。
2021-11-17 cs.LG cs.SI
Disentangling Node Attributes from Graph Topology for Improved Generalizability in Link Prediction
Network Science Institute(网络科学研究所);Northeastern University(东北大学);Khoury College of Computer Sciences(库利计算机科学学院);Brigham and Women’s Hospital(布莱根妇女医院);Harvard Medical School(哈佛医学院)
该研究提出节点属性无监督预训练方法UPNA,通过学习节点属性对预测边概率的方式解决归纳式链接预测问题,克服拓扑捷径与观测偏差,性能大幅超越现有最优水平,还可集成到现有模型中提升泛化能力。
2023-07-17 cs.LG cs.SI
A Preference Random Walk Algorithm for Link Prediction through Mutual Influence Nodes in Complex Networks
Queensland University of Technology(昆士兰科技大学);Azarbaijan Shahid Madani University(阿塞拜疆沙希德·马达尼大学);University of Applied Science and Technology(应用科学与技术大学)
在过去的几年里,预测复杂网络中的链接一直是数据采掘和科学发现领域的重要课题之一。这个问题仍然是试图使用图中现有的链接来识别未来的、已删除的和冗余的链接。局部随机游走被认为是拟局部方法中最著名的算法之一。它采用传统的有限步随机游走遍历网络,在每一步中从重要性相等的节点中随机选择一个相邻节点。然后利用节点对之间的转移概率来计算它们之间的相似度。然而,在大多数数据集中,该方法无法准确地对非常相似的节点进行评分。本文提出了一种改进局部随机游动的有效方法,即在每一步中,鼓励随机游动向影响力较大的节点移动。因此,根据源节点的影响来选择下一个节点。为此,利用互信息,提出了节点间非对称相互影响的概念。所提出的方法和其他基于相似性的方法(本地,准本地和全球)之间的比较已经进行,并已报告的结果为11个真实世界的网络。与其他链接预测方法相比,该方法具有更高的预测精度。
2021-05-20 cs.LG cs.SI
TempNodeEmb:Temporal Node Embedding considering temporal edge influence matrix
School of Computer Science, Zhoukou Normal University(周口师范学院计算机科学学院);School of Engineering and IT, University of New South Wales(新南威尔士大学工程与信息技术学院);Chongqing Institute of Green and Intelligent Technology, Chinese Academy of Sciences(中国科学院重庆绿色智能技术研究院);Huayin Institute of Technology(淮阴工学院)
理解现实世界中复杂系统的进化模式,如人类相互作用、交通网络、生物相互作用和计算机网络,对我们的日常生活有着重要的意义。预测这种网络中节点之间的未来联系揭示了时间网络演化的一个重要方面。为了分析网络,它们被映射到邻接矩阵,然而,单个邻接矩阵不能表示复杂的关系(例如时间模式),因此,一些方法考虑时间网络的简化表示,但在高维和一般稀疏矩阵中。因此,邻接矩阵不能被机器学习模型直接用于进行网络或节点级预测。为了克服这个问题,提出了用于学习节点或边的低维向量的自动化框架,作为预测网络中的时间模式(诸如链接预测)的最新技术。然而,这些模型未能考虑网络的时间维度。这一差距促使我们在这项研究中提出了一种新的节点嵌入技术,该技术利用了网络的进化性质,在每个时间步考虑一个简单的三层图神经网络,并通过给定的角度方法提取节点方向。为了证明我们提出的算法的效率,我们评估了我们提出的算法对六个国家的最先进的基准网络嵌入模型的效率,在四个真实的时态网络数据,结果表明,我们的模型优于其他方法在预测未来的链接时态网络。
2020-08-16 cs.LG cs.SI
Discriminative Link Prediction using Local Links, Node Features and Community Structure
IIT Kharagpur(印度理工学院克勒格布尔分校);IIT Bombay(印度理工学院孟买分校)
链接预测(LP)算法被给出一个图,并且必须对每个节点、作为新链接的候选的其他节点进行排名。LP强烈受到社交搜索和推荐应用的推动。LP技术通常专注于全局属性(图电导,命中或通勤时间,Katz得分)或局部属性(Adamic-Adar和许多变体,或节点特征向量),但很少结合这些信号。此外,这两个极端都没有利用社区中间层的链接密度。在本文中,我们描述了一个歧视LP算法,利用两个新的信号。首先,一个共同的聚类算法提供社区级的链接密度估计,这是用来限定观察到的链接与惊喜值。第二,在要预测的链接的直接邻域中的链接不被解释在表面值,而是通过节点特征相似性的局部模型。这些信号被组合成一个判别链接预测器。我们使用文献中标准的五个不同数据集来评估新的预测因子。与标准LP方法(包括Adamic-Adar和随机游走)相比,我们报告了显着的准确性提升。除了新的预测器之外,另一个贡献是用于对LP算法进行基准测试和报告的严格协议,它揭示了这里研究的所有预测器的优势和劣势区域,并将新提案确定为最稳健的。
2013-10-17 cs.LG cs.SI physics.soc-ph
A Multi-Task Perspective for Link Prediction with New Relation Types and Nodes
Purdue University(普渡大学)
本文将双等变性扩展为多任务双等变性,以处理属性多重图中不同关系类型集合具有冲突预测模式的问题,并在真实数据集上验证其对新节点和新关系类型的归纳泛化能力。
2023-12-04 cs.AI cs.LG
Node Duplication Improves Cold-start Link Prediction
University of Washington(华盛顿大学);Snap Inc.(Snap公司);University of Notre Dame(诺特丹大学);University of California, Riverside(加州大学河滨分校)
针对图神经网络在链路预测中低度节点(冷启动场景)性能不佳的问题,提出即插即用的NodeDup节点复制增强技术,通过多视图视角提升性能,且不损害高度节点表现,实验验证了显著效果。
2025-08-01 cs.LG cs.SI
Hyperdimensional Representation Learning for Node Classification and Link Prediction
The Pennsylvania State University(宾夕法尼亚州立大学)
本文提出超维图学习器(HDGL),利用超维空间表示和注入性属性,单次遍历实现节点分类与链接预测,以低计算成本达到与先进GNN竞争的性能。
2025-02-27 cs.AI cs.LG cs.SI
A parameterised model for link prediction using node centrality and similarity measure based on graph embedding
The University of Sydney(悉尼大学);Faculty of Engineering(工程学院);School of Project Management(项目管理学院)
针对现有图神经网络在短路径网络和自我网络上链接预测性能不佳的问题,提出NCSM模型,通过在定制GNN层中整合节点中心性与相似性度量作为边特征,有效利用拓扑信息,在五个基准数据集上超越现有最先进模型。
2023-09-11 cs.LG cs.SI
Path-aware Siamese Graph Neural Network for Link Prediction
Zhejiang Lab(之江实验室)
在本文中,我们提出了一个路径感知的连体图神经网络(PSG)的链接预测任务。首先,PSG捕获节点和给定的两个节点的边缘特征,即k-邻域的结构信息和节点的中继路径信息。此外,提出了一种新的多任务GNN框架与自监督对比学习的区别的积极的链接和消极的链接,而内容和行为的节点可以同时捕获。我们评估所提出的算法PSG上的两个链接属性预测数据集,ogbl-ddi和ogbl-collab。PSG在提交前在ogbl-ddi上获得了前1名的性能,在ogbl-collab上获得了前3名的性能。实验结果验证了我们提出的PSG的优越性
2022-11-17 cs.AI cs.LG
Self-Supervised Dynamic Graph Representation Learning via Temporal Subgraph Contrast
Nanjing University of Posts and Telecommunications(南京邮电大学)
图上的自监督学习由于其独立于标签和表示的鲁棒性而引起了人们的广泛关注。目前的研究主要是利用图的结构等静态信息,而不能很好地捕捉边的时间戳等动态信息。真实图通常是动态的,这意味着节点之间的交互发生在特定的时间。提出了一种自监督动态图表示学习框架(DySubC),该框架定义了一个时态子图对比学习任务来同时学习动态图的结构和演化特征。首先提出了一种新的时间子图采样策略,该策略以动态图的每个节点为中心节点,同时利用邻域结构和边时间戳对相应的时间子图进行采样。在对每个子图中的节点进行编码后,根据邻域节点对中心节点的影响设计子图表示函数。最后,定义了结构对比损失和时态对比损失,以最大化节点表示和时态子图表示之间的互信息。在5个真实数据集上的实验表明:(1)DySubC在下游链接预测任务中的表现优于相关基线,包括2个图对比学习模型和4个动态图表示学习模型;(2)时间信息的使用不仅可以采样更多有效的子图,而且可以通过时间对比损失学习更好的表示。
2021-12-16 cs.AI cs.LG
Node Co-occurrence based Graph Neural Networks for Knowledge Graph Link Prediction
Oracle Labs, Australia(甲骨文实验室(澳大利亚));VinAI Research, Vietnam(VinAI 研究院(越南));Monash University, Australia(莫纳什大学(澳大利亚))
我们引入了一种新的嵌入模型,称为NoGE,其目的是将实体和关系之间的共现集成到图神经网络中,以提高知识图谱的完备性(即,链接预测)。给定一个知识图谱,NoGE将实体和关系视为单个节点来构建单个图。然后,NoGE基于实体和关系的共现来计算节点之间的边的权重。接下来,NoGE提出了双四元数图神经网络(DualQGNN),并利用DualQGNN更新实体和关系节点的矢量表示。然后,NoGE采用评分函数来产生三重评分。综合实验结果表明,NoGE获得了国家的最先进的结果在三个新的和困难的基准数据集CoDEx的知识图谱完成。
2021-12-26 cs.CL cs.LG
Linking OpenStreetMap with Knowledge Graphs -- Link Discovery for Schema-Agnostic Volunteered Geographic Information
Leibniz Universität Hannover(莱布尼茨汉诺威大学);University of Bonn(波恩大学)
在流行的知识图谱(如Wikidata和DBpedia)中捕获的地理实体的表示通常是不完整的。OpenStreetMap(OSM)是一个丰富的公开可用的、自愿提供的地理信息源,具有很大的潜力来补充这些表示。然而,知识图谱实体和OSM节点之间的身份链接仍然很少。在这些设置中的链接发现的问题是特别具有挑战性的,由于缺乏一个严格的模式和异构性的用户定义的节点表示在OSM。在这篇文章中,我们提出了OSM 2KG-一种新的链接发现方法来预测身份OSM节点和地理实体之间的链接在知识图谱。OSM 2KG方法的核心是OSM节点的一种新的潜在的紧凑表示,它在嵌入中捕获语义节点相似性。OSM 2KG采用这种潜在表示来训练用于链接预测的监督模型,并利用OSM和知识图谱之间的现有链接进行训练。我们在几个OSM数据集,以及Wikidata和DBpedia知识图谱上进行的实验表明,OSM 2KG可以可靠地发现身份链接。OSM 2KG在Wikidata上的F1得分为92.05%,在DBpedia上的平均得分为94.17%,与表现最好的基线相比,维基数据上的F1得分增加了21.82个百分点。
2020-11-19 cs.LG cs.SI
Integrating Transductive And Inductive Embeddings Improves Link Prediction Accuracy
IIT Bombay(印度理工学院孟买分校)
近年来,归纳图嵌入模型、\emph{viz.}、图神经网络(GNN)在在线社交网络中的链接预测(LP)方面变得越来越准确。这种网络的性能在很大程度上取决于输入节点的特征,这些特征在网络和应用中各不相同。选择适当的节点功能仍然依赖于应用程序,通常是一个悬而未决的问题。此外,由于隐私和道德问题,个性化节点特征的使用往往受到限制。事实上,来自在线社交网络的许多公开可用的数据不包含任何节点特征(例如,人口统计学)。在这项工作中,我们提供了一个全面的实验分析,表明利用转导技术(例如,Node2Vec)来获得初始节点表示,在此之后,归纳节点嵌入技术接管,导致链接预测准确性的实质性改进。我们证明,对于各种各样的GNN变体,从Node2Vec获得的节点表示向量作为GNN的高质量输入特征,从而提高LP性能。
2021-08-23 cs.AI cs.IR cs.LG
Trajectory Encoding Temporal Graph Networks
University of Manchester(曼彻斯特大学)
针对现有时序图网络(TGNs)在直推与归纳场景下的性能困境,提出轨迹编码TGN(TETGN),通过可扩展节点ID的时序位置特征与消息传递,平衡直推精度与归纳泛化能力,在动态图任务中显著优于基线模型。
2025-04-15 cs.AI cs.LG
Cross-Node Federated Graph Neural Network for Spatio-Temporal Data Modeling
University of Southern California(南加州大学)
从传感器、可穿戴设备和物联网(IoT)设备网络生成的大量数据强调了对先进建模技术的需求,这些技术可以利用分散数据的时空结构,因为需要边缘计算和许可(数据访问)问题。虽然联邦学习(FL)已经成为一个模型训练框架,而不需要直接的数据共享和交换,有效地建模复杂的时空依赖关系,以提高预测能力仍然是一个悬而未决的问题。另一方面,最先进的时空预测模型假定可以不受限制地访问数据,忽略了对数据共享的限制。为了弥合这一差距,我们提出了一个联邦时空模型-跨节点联邦图神经网络(CNFGNN)-它使用基于图神经网络(GNN)的架构在跨节点联邦学习的约束下显式编码底层图结构,这要求节点网络中的数据在每个节点上本地生成,并保持分散。CNFGNN通过将设备上的时间动态模型和服务器上的空间动态模型分开来运行,利用交替优化来降低通信成本,促进边缘设备上的计算。在流量预测任务上的实验表明,CNFGNN在直推和归纳学习设置中都实现了最佳的预测性能,在边缘设备上没有额外的计算成本,同时产生适度的通信成本。
2021-06-09 cs.AI cs.LG
A Bayesian Model of node interaction in networks
University of Leipzig(莱比锡大学)
我们关注的是通过考虑这些链接的使用频率来对网络中链接的强度进行建模。链接使用率是衡量两个节点之间关系密切程度的重要指标,但贝叶斯统计和机器学习中现有的网络模型只能预测链接是否存在。作为网络节点的潜在属性的先验知识,我们探索了中国餐馆过程(CRP)和一个固定维数的多元高斯。该模型被应用到一个社会网络数据集和一个词的共同存在数据集。
2015-03-06 cs.LG stat.ME stat.ML
Predicting Critical Nodes in Temporal Networks by Dynamic Graph Convolutional Networks
University of Electronic Science and Technology of China(电子科技大学);Nanjing University of Finance and Economics(南京财经大学);University of Nottingham(诺丁汉大学);Sichuan Provincial Key Research Base of Social Science(四川省社会科学重点研究基地);Union Big Data Tech. Inc.(联合大数据技术有限公司)
现实世界中的许多系统都可以用时态网络来表达,其中节点在结构和功能上扮演着不同的角色,而边则代表节点之间的关系。识别关键节点可以帮助我们控制舆论或流行病的传播,预测学术界的领军人物,为各种商品做广告等等,但在时序网络中,由于网络结构随时间变化,识别关键节点是相当困难的。本文考虑时序网络的序列拓扑信息,提出了一种基于特殊GCN和RNN相结合的新型有效学习框架,以识别具有最佳传播能力的节点。该方法的有效性进行了评估加权易感-感染-感染模型。在四个真实世界的时间网络上的实验结果表明,该方法在Kendall $τ$系数和最高$k$命中率方面优于传统和深度学习基准方法。
2021-07-06 cs.AI cs.LG cs.SI
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
A Hidden Challenge of Link Prediction: Which Pairs to Check?
University of Michigan(密歇根大学)
网络中链接预测的传统设置假设节点对的测试集(通常是平衡的)是可用的,通过该测试集来预测链接的存在。然而,在实践中,没有测试集:地面真实情况是未知的,因此预测的可能对的数量是图中节点数量的二次方。此外,由于图是稀疏的,这些可能的对中的大多数将不是链接。因此,通常依赖于保持邻近的嵌入或节点相似性的启发式概念的链接预测方法面临着巨大的搜索空间,其中许多对非常接近,但不应该被链接。为了缓解这个问题,我们引入LinkWaldo,从这个二次选择的框架,倾斜的搜索空间的节点对,一组简洁的候选对,除了在接近,也在结构上类似于观察到的边缘。这使得它可以忽略一些高接近度但低相似度的对,也可以识别高相似度,低接近度的对。我们的框架是建立在一个模型,理论上结合随机块模型(SBM)与节点邻近模型。SBM的块结构映射出在搜索空间中新链接预期落在哪里,并且接近度识别这些块内最合理的链接,使用局部敏感散列以避免昂贵的穷举搜索。LinkWaldo可以使用任何节点表示学习或邻近度的启发式定义,并且可以为任何链接预测方法生成候选对,允许当前和未来方法的表示能力在实践中实现用于链接预测。我们在多个域的13个网络上对LinkWaldo进行了评估,结果表明,它平均返回的候选集比基于嵌入和启发式基线的集多包含7-33%的缺失和未来链接。
2021-02-15 cs.LG cs.SI
TLogic: Temporal Logical Rules for Explainable Link Forecasting on Temporal Knowledge Graphs
Siemens AG(西门子股份公司);Ludwig Maximilian University of Munich(慕尼黑大学)
传统的静态知识图谱将关系数据中的实体建模为节点,由特定关系类型的边连接。然而,信息和知识不断演变,出现了时间动态,预计会影响未来的局势。在时间知识图谱中,通过为每条边配备时间戳或时间范围来将时间信息集成到图中。基于嵌入的方法已经被引入到时态知识图谱的链接预测中,但是它们大多缺乏可解释性和可理解的推理链。特别是,它们通常不被设计为处理链路预测-涉及未来时间戳的事件预测。我们解决的任务,时间知识图谱的链接预测,并介绍TLogic,一个可解释的框架,是基于时间的逻辑规则提取通过时间随机游走。我们将TLogic与三个基准数据集上的最新基线进行了比较,并显示出更好的整体性能,同时我们的方法还提供了保持时间一致性的解释。此外,与大多数最先进的基于嵌入的方法相比,TLogic在归纳设置中工作得很好,其中已经学习的规则被转移到具有公共词汇表的相关数据集。
2022-03-09 cs.AI cs.LG
TAMI: Taming Heterogeneity in Temporal Interactions for Temporal Graph Link Prediction
Beijing Normal-Hong Kong Baptist University(北京师范大学-香港 Baptist大学);University College Dublin(都柏林大学);The Hong Kong University of Science and Technology(香港科学与技术大学);Texas State University(德克萨斯州立大学);Guangdong Provincial / Zhuhai Key Laboratory of IRADS, China(广东/珠海IRADS重点实验室,中国)
针对时间交互异质性导致链接预测失效的问题,提出TAMI框架,含LTE和LHA组件,集成现有时间图神经网络,在多个数据集上提升预测性能。
2025-10-23 cs.AI cs.LG
Temporal Link Prediction Using Graph Embedding Dynamics
Michigan State University(密歇根州立大学)
本文提出将节点视为牛顿物体并引入速度概念,通过计算每个节点的具体动态来改进时序链接预测,在PubMed合著数据上使下游模型AUROC提升17.34%,同时增强了可解释性。
2024-01-15 cs.LG cs.SI
Just for FUNS: LLM-Guided Spatio-Temporal Graph Node Generation for Forecasting Unobserved Node States
Fudan University(复旦大学);Nanyang Technological University(南洋理工大学);Zhuhai Fudan Innovation Research Institute(珠海复旦创新研究院);Guangzhou University(广州大学)
针对传感器网络覆盖不足导致的未观测节点状态预测难题,提出GenST框架,利用大语言模型提取语义特征作为桥梁,结合时空VAE和生成式Transformer两阶段生成,在零样本预测中显著优于基线。
2026-10-09 cs.AI cs.CL cs.LG
Node Injection Link Stealing Attack
Eurecom(欧洲通信学院);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Universitat Politecnica de Catalunya(加泰罗尼亚理工大学)
本文提出一种隐蔽的节点注入链接窃取攻击,在归纳设置下通过API推断私有边信息,并探讨差分隐私在隐私与效用间的权衡,凸显GNN隐私漏洞及防护必要性。
2023-07-25 cs.CR cs.LG
HTGN-BTW: Heterogeneous Temporal Graph Network with Bi-Time-Window Training Strategy for Temporal Link Prediction
Northeastern University(东北大学);Microsoft Research Asia(微软亚洲研究院);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所)
随着电子商务网络、社交网络等时态网络的发展,时态链接预测问题近年来受到越来越多的关注。WSDM Cup 2022的时间链接预测任务期望一个可以同时在两种时间图上工作的单一模型,这两种时间图具有非常不同的特征和数据属性,以预测给定类型的链接是否会在给定的时间跨度内在两个给定的节点之间发生。我们的团队,这里命名为nothing,将此任务视为异构时态网络中的链接预测任务,并提出了一个通用模型,即,异构时态图网络(Heterogeneous Temporal Graph Network,HTGN),解决了时间间隔不固定、链路类型多样的时态链接预测问题。也就是说,HTGN可以适应链路的异构性和在任意给定时间段内具有不固定时间间隔的预测。为了对模型进行训练,我们设计了一种双时间窗训练策略(BTW),该策略在两种时间窗下分别训练两种小批量。因此,对于最终测试,我们在数据集A上实现了0.662482的AUC,在数据集B上实现了0.906923的AUC,并以0.628942的平均T得分获得了第二名。
2022-02-25 cs.AI cs.LG cs.SI
GRID: Protecting Training Graph from Link Stealing Attacks on GNN Models
University of Delaware(德克萨斯大学);The University of Melbourne(墨尔本大学);Duke University(杜克大学);University of Louisiana at Lafayette(拉法叶大学)
本文提出 GRID 防御方法,通过向覆盖全部链接的核心节点预测向量添加精心设计的噪声,在零效用损失下抵御 GNN 链接窃取攻击,并在五个数据集上取得更优隐私—效用权衡。
2025-05-13 cs.CR cs.LG
Temporal Network Representation Learning via Historical Neighborhoods Aggregation
RMIT University(皇家墨尔本理工大学);Tsinghua University(清华大学)
网络嵌入是一种学习节点低维表示的有效方法,可以应用于可视化、节点分类、链接预测等实际应用中。虽然近年来在这个问题上取得了重大进展,但仍然存在一些重要的挑战,例如如何在不断发展的网络中正确捕获时间信息。实际上,大多数网络都在不断发展。一些网络只添加新的边或节点,如作者网络,而其他网络则支持删除节点或边,如互联网数据路由。如果网络结构的变化中存在模式,我们可以更好地理解节点之间的关系和网络的演化,可以进一步利用这些模式来学习具有更有意义信息的节点表示。在本文中,我们提出了嵌入通过历史邻域聚合(EHNA)算法。更具体地说,我们首先提出了一个时间随机游走,可以识别相关节点的历史街区的边缘形成的影响。然后,我们应用深度学习模型,该模型使用自定义注意力机制来诱导节点嵌入,这些节点嵌入直接捕获底层特征表示中的时间信息。我们在一系列真实世界的数据集上进行了广泛的实验,结果证明了我们的新方法在网络重建任务和链接预测任务中的有效性。
2020-03-30 cs.LG stat.ML
xERTE: Explainable Reasoning on Temporal Knowledge Graphs for Forecasting Future Links
Institute of Informatics, LMU Munich(慕尼黑大学信息学研究所);Corporate Technology, Siemens AG(西门子股份公司中央研究院);Department of Informatics, Technical University of Munich(慕尼黑工业大学信息学系)
建模随时间演化的知识图谱(KG)最近得到了越来越多的关注。在这里,图表示学习已经成为时间KG上的链接预测的主导范例。然而,基于嵌入的方法在很大程度上是以黑箱方式运行的,缺乏解释其预测的能力。本文提供了一个链接预测框架,原因在查询相关的子图的时间KG和联合模型的结构依赖和时间动态。特别是,我们提出了一个时间关系注意力机制和一个新的反向表示更新计划,以指导周围的查询封闭子图的提取。子图通过时间邻居的迭代采样和注意力传播来扩展。我们的方法提供了人类可以理解的证据来解释预测。我们评估我们的模型的四个基准时间知识图谱的链接预测任务。虽然更易于解释,但与以前的最佳KG预测方法相比,我们的模型在Hits@1上获得了高达20%的相对改进。我们还对53名受访者进行了调查,结果表明,该模型提取的链接预测证据与人类的理解一致。
2021-04-01 cs.AI cs.LG
ConTIG: Continuous Representation Learning on Temporal Interaction Graphs
Xiamen University(厦门大学);University of Technology Sydney(悉尼科技大学);Monash University(莫纳什大学)
时间交互图(TIG)上的表示学习是对复杂网络进行建模,其中交互的动态演化出现在广泛的问题中。现有的TIG动态嵌入方法仅在交互发生时离散地更新节点嵌入。它们未能捕捉到节点嵌入轨迹的连续动态演化。在本文中,我们提出了一个两模块的框架命名为ConTIG,连续表示方法,捕捉节点嵌入轨迹的连续动态演变。我们的模型有两个基本模块,利用动态网络中的三重因素,包括最新的交互,邻居特征和固有特征。在第一个更新模块中,我们采用连续推理块来学习节点的状态轨迹,通过使用常微分方程从节点对之间的时间相邻的交互模式中学习。在第二个转换模块中,我们引入了一个自我注意力机制,通过聚集历史时间交互信息来预测未来的节点嵌入。实验结果表明,ConTIG算法在时间链接预测、时间节点推荐和动态节点分类等任务上优于一系列现有的算法,特别是在长时间间隔交互预测方面。
2021-09-27 cs.AI cs.LG cs.SI
Hierarchical Position Embedding of Graphs with Landmarks and Clustering for Link Prediction
Korea University(高丽大学)
提出基于地标与聚类的层次位置嵌入方法HPLC,利用高中心性节点作为地标并结合图聚类,在链接预测任务上达到最先进性能。
2024-04-19 cs.AI cs.LG
TFWaveFormer: Temporal-Frequency Collaborative Multi-level Wavelet Transformer for Dynamic Link Prediction
School of Cyber Science and Engineering, Southeast University(信息科学与工程学院,东南大学);School of Mathematics, Southeast University(数学学院,东南大学)
TFWaveFormer通过结合时间-频率分析与多分辨率小波分解,提升动态链接预测的性能。
2026-03-04 cs.AI cs.LG
Graph Structure Learning for Spatial-Temporal Imputation: Adapting to Node and Feature Scales
School of Computer Science and Technology, Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳)计算机科学与技术学院)
针对固定空间图难以表达多特征异质相关性的问题,提出多尺度 GSLI 框架,通过节点/特征尺度图学习、显著性建模及跨特征跨时间表示提升时空缺失值插补性能。
2025-01-05 cs.DB cs.LG
Are Direct Links Necessary in RVFL NNs for Regression?
Częstochowa University of Technology(琴斯托霍瓦理工大学)
随机向量函数连接网络(RVFL)被广泛用作分类和回归问题的通用逼近器。RVFL的最大优点是快速训练,无需反向传播。这是因为隐藏节点的权重和偏置是随机选择的,并且没有经过训练。最近,开发了具有随机学习的替代架构,其不同于RVFL,因为它们在输出层中没有直接链接和偏置项。在这项研究中,我们研究了直接链接和输出节点偏差对RVFL回归性能的影响。对于产生的隐藏节点的随机参数,我们使用的经典方法和两个新的方法最近提出的文献。我们测试了几个函数逼近问题的RVFL性能与不同性质的目标函数:非线性,非线性强波动,非线性线性与线性分量和线性。令人惊讶的是,我们发现,直接链接和输出节点的偏见并没有发挥重要作用,提高RVFL的精度为典型的非线性回归问题。
2020-03-29 cs.LG stat.ML
LinkThief: Combining Generalized Structure Knowledge with Node Similarity for Link Stealing Attack against GNN
East China Normal University(华东师范大学);TongJi University(同济大学)
针对现有GNN链路窃取攻击依赖节点后验相似假设、无法覆盖不满足该假设的链路的问题,提出结合广义结构知识与节点相似性的LinkThief攻击方法,通过构建影子-目标桥接图提取结构特征,实验验证其在无额外假设下仍有效。
2024-10-01 cs.AI cs.CR cs.LG
Interpretation of Deep Temporal Representations by Selective Visualization of Internally Activated Nodes
KAIST(韩国科学技术院);UNIST(蔚山科学技术院)
最近,深度神经网络在许多时间或序列数据的分类和回归任务中表现出竞争力。然而,时间深度神经网络的分类机制仍然很难理解。在本文中,我们提出了两个新的框架来可视化从深度神经网络学习的时间表示。给定输入数据和输出,我们的算法解释的时间神经网络的决定,通过提取高度活跃的时期和可视化的子序列的输入数据,有助于激活的单位。此外,我们的特点,这样的子序列与聚类和计算的不确定性,建议的类型和实际数据。我们还建议从一个单元的输出,而不是从最终的输出,逐层的相关性与向后蒙特卡洛辍学,以显示每个输入点的相关性得分,以激活单元,提供有关这种影响的不确定性的视觉表示。
2020-07-10 cs.LG cs.NE
Enhancing Future Link Prediction in Quantum Computing Semantic Networks through LLM-Initiated Node Features
Brookhaven National Laboratory(布鲁克海文国家实验室)
本研究针对量子计算语义网络的链路预测任务,提出用LLM初始化节点特征以优化图神经网络节点表征的方法,经多种模型验证,效果优于传统节点嵌入技术,可减少人工特征构建成本。
2024-10-05 cs.AI cs.CL cs.LG