NODDLE: Node2vec based deep learning model for link prediction
Lakehead University(湖首大学)
针对node2vec因SGD陷入局部最优而难以捕获网络全局结构的问题,提出融合node2vec特征与四层神经网络并使用自适应优化器的NODDLE模型,在多个社交网络数据集上提升了链路预测性能。
2023-05-25 cs.AI cs.SI
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
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
Link Prediction on Heterophilic Graphs via Disentangled Representation Learning
The Pennsylvania State University(宾夕法尼亚州立大学);IBM T. J. Watson Research Center(IBM托马斯·J·沃森研究中心)
链接预测是一项重要的任务,在各个领域有着广泛的应用。然而,现有的大多数链接预测方法都假设给定的图遵循同构假设,并设计了基于相似性的推理或表示学习方法来预测链接。然而,现实世界中的许多图是异亲图,其中同伦假设不成立,这对现有的链接预测方法提出了挑战。通常,在异嗜图中,有许多潜在的因素导致链接的形成,并且两个链接的节点往往在一个或两个因素中相似,但可能在其他因素中不相似,导致整体相似性低。因此,一种方法是学习每个节点的解纠缠表示,每个向量捕获节点在一个因子上的潜在表示,这为在异嗜图中建模链接形成铺平了道路,从而导致更好的节点表示学习和链接预测性能。然而,这方面的工作相当有限。因此,在本文中,我们研究了一个新的问题,探索解纠缠表示学习的链接预测的异嗜图。我们提出了一个新的框架DisenLink,它可以学习解纠缠表示建模的链接形成和执行因素感知的消息传递,以促进链接预测。在13个真实数据集上的大量实验证明了DisenLink在嗜异性和血友病图上进行链接预测的有效性。我们的代码可在https://github.com/sjz5202/DisenLink上获得
2022-08-03 cs.LG cs.SI
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
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
Line Graph Contrastive Learning for Link Prediction
Taiyuan University of Technology(太原理工大学);Intel Labs(英特尔实验室)
链接预测任务集中于预测未来可能的连接。现有的大多数研究都是通过节点对上不同的相似度来衡量链接的可能性,并预测节点之间的链接。然而,基于相似性的方法在节点信息损失和相似性指标的泛化能力方面存在一些挑战。为了解决上述问题,我们提出了一个线图对比学习(LGCL)方法,以获得丰富的信息与多个角度。LGCL通过对目标节点对进行h跳子图采样来获得子图视图。将采样子图转换为线图后,将链接预测任务转换为节点分类任务,图卷积过程可以更有效地从图中学习边嵌入。在此基础上,设计了一种新的基于线图和子图的跨尺度对比学习框架,以最大化线图和子图之间的互信息为目标,实现结构信息和特征信息的融合。实验结果表明,所提出的LGCL优于国家的最先进的方法,并具有更好的性能的泛化能力和鲁棒性。
2023-03-08 cs.IR cs.LG cs.SI
LiSA: Leveraging Link Recommender to Attack Graph Neural Networks via Subgraph Injection
Keio University(keio大学);Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
本文提出LiSA框架,通过注入孤立子图并误导链接推荐器,实现同时欺骗推荐器与节点分类器的对抗攻击,利用双重代理模型和双层优化提升攻击效果。
2025-02-25 cs.AI cs.LG
Generalized Learning Vector Quantization for Classification in Randomized Neural Networks and Hyperdimensional Computing
Rice University(莱斯大学);UC Berkeley(加州大学伯克利分校);Research Institutes of Sweden(瑞典研究院)
部署在边缘设备上的机器学习算法必须满足一定的资源约束和效率要求。随机向量函数链接(RVFL)网络由于其简单的设计和训练效率而受到此类应用的青睐。我们提出了一种改进的RVFL网络,避免了在训练过程中计算昂贵的矩阵运算,从而扩大了网络的潜在应用范围。我们的修改取代了最小二乘分类器与广义学习矢量量化(GLVQ)分类器,它只采用简单的矢量和距离计算。GLVQ分类器也可以被认为是对超维计算领域中常用的某些分类算法的改进。所提出的方法在来自UCI机器学习存储库的数据集上实现了最先进的准确性-高于先前提出的RVFL网络。我们进一步证明,我们的方法仍然实现了高精度,同时在训练迭代中受到严重限制(平均仅使用最小二乘分类器计算成本的21%)。
2021-06-17 cs.LG
Self-Supervised Learning of Contextual Embeddings for Link Prediction in Heterogeneous Networks
Virginia Tech(弗吉尼亚理工大学);Pacific Northwest National Laboratory(太平洋西北国家实验室)
用于异构网络的表示学习方法为每个节点产生低维向量嵌入,该低维向量嵌入对于涉及该节点的所有任务通常是固定的。许多现有的方法集中于以一种对正在使用节点的下游应用不可知的方式获得节点的静态向量表示。然而,实际上,诸如链接预测的下游任务需要特定的上下文信息,该上下文信息可以从与作为任务的输入提供的节点相关的子图中提取。为了应对这一挑战,我们开发了SLiCE,一个框架桥接静态表示学习方法,使用全局信息从整个图与本地化的注意力驱动机制,学习上下文节点表示。我们首先通过引入高阶语义关联和掩码节点,以自监督的方式预训练我们的模型,然后针对特定的链接预测任务微调我们的模型。我们不是通过聚合来自通过元路径连接的所有语义邻居的信息来训练节点表示,而是自动学习不同元路径的组成,这些元路径表征特定任务的上下文,而不需要任何预定义的元路径。在几个公开的基准网络数据集上,SLiCE显著优于静态和上下文嵌入学习方法。我们还解释了语义关联矩阵,并提供其效用和相关性,使成功的链接预测网络中的异构节点之间。
2021-03-21 cs.LG cs.SI stat.ML
Effective backdoor attack on graph neural networks in link prediction tasks
College of Computer Engineering and Science, Shanghai University(上海大学计算机工程与科学学院)
本文提出一种针对GNN链路预测任务的后门攻击方法,以单节点为触发器毒化训练节点对,使模型在触发器出现时将无链接节点对误判为有链接,揭示GNN在该任务中的安全漏洞。
2025-05-06 cs.AI cs.CR cs.LG
Double Equivariance for Inductive Link Prediction for Both New Nodes and New Relation Types
Purdue University(普渡大学)
针对知识图谱完全归纳式链接预测任务,提出双重置换等变表示概念,证明其必要性并指出现有模型符合该框架,同时揭示其固有局限性,说明双重等变性并非充分条件。
2025-01-14 cs.AI cs.CL cs.LG
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
Can Self Supervision Rejuvenate Similarity-Based Link Prediction?
University of Technology Sydney(悉尼科技大学);Southern University of Science and Technology(南方科技大学);Macquarie University(麦考瑞大学);Soochow University(苏州大学)
针对无监督链路预测中节点特征信息量不足的问题,提出融合自监督图学习与双视图对比表示学习的3SLP,显著提升基于相似度方法的AUC。
2024-10-24 cs.AI
Link Prediction on Latent Heterogeneous Graphs
Singapore Management University(新加坡管理大学);National University of Singapore(新加坡国立大学)
在图数据上,大量的节点或边类型产生了异构信息网络(HIN)。为了保持HIN上的异构语义,丰富的节点/边类型成为HIN表示学习的基石。然而,在现实世界中,类型信息往往是嘈杂的,丢失或不可访问的。假设没有类型信息,我们定义了一个所谓的潜在异构图(LHG),它携带潜在的异构语义的节点/边缘类型无法观察到。在本文中,我们研究了具有挑战性的和未探索的问题的链接预测上的LHG。由于现有的方法严重依赖于基于类型的信息,他们是次优的,甚至不适用于LHG。为了解决类型信息的缺乏,我们提出了一个名为LHGNN的模型,基于在节点和路径级别的语义嵌入的新思想,捕捉节点上和节点之间的潜在语义。我们进一步设计了一个个性化的功能,以调制的异构上下文条件下,他们的潜在语义w.r.t.目标节点,以实现更细粒度的聚合。最后,我们在四个基准数据集上进行了大量的实验,并证明了LHGNN的优越性能。
2023-02-21 cs.LG
MixDec Sampling: A Soft Link-based Sampling Method of Graph Neural Network for Recommendation
Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院);Tencent PCG(腾讯PCG);School of Mathematical Science, University of Electronic Science and Technology of China(电子科技大学数学科学学院);School of Computer Science and Technology, Xi’an Jiaotong University(西安交通大学计算机科学与技术学院);Beihang University(北京航空航天大学);Beijing Chaoyang Hospital, Capital Medical University(首都医科大学附属北京朝阳医院);Pengcheng Laboratory(鹏城实验室)
针对现有负采样方法丢失结构信息、无法为少邻居节点生成正样本对的问题,提出含Mixup和Decay模块的MixDec软链接采样方法,为少邻居节点提供足够样本并强化结构信息利用,提升GNN推荐模型性能。
2025-02-12 cs.AI cs.IR
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
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
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
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
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
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
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
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
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
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
LPGNet: Link Private Graph Networks for Node Classification
National University of Singapore(新加坡国立大学)
标记图结构数据的分类任务有许多重要的应用,从社会推荐到金融建模。深度神经网络越来越多地用于图上的节点分类,其中具有相似特征的节点必须被赋予相同的标签。图卷积网络(GCN)是一种被广泛研究的神经网络架构,其在该任务上表现良好。然而,最近对GCN的强大链接窃取攻击表明,即使对训练模型进行黑盒访问,推断训练图中存在哪些链接(或边)也是可行的。在本文中,我们提出了一个新的神经网络架构称为LPGNet的训练图与隐私敏感的边缘。LPGNet提供了差分隐私(DP)保证边缘使用一种新的设计,如何在训练过程中使用图形边缘结构。我们的经验表明,LPGNet模型通常位于提供隐私和实用性之间的最佳点:它们可以提供比不使用边缘信息的“平凡”私有架构更好的实用性(例如,vanilla MLP)和比使用全边缘结构的vanilla GCN更好的抵抗现有链路窃取攻击的弹性。在我们评估的大多数数据集中,LPGNet还提供了比DPGCN更好的隐私-效用权衡,DPGCN是将差分隐私改造为传统GCN的最先进机制。
2022-09-07 cs.AI cs.CR cs.LG
Dynamic Link Prediction for New Nodes in Temporal Graph Networks
Tongji University(同济大学);EIT Institute for Advanced Study(EIT高等研究院);Naval Medical University(海军军医大学)
针对时间图网络中新节点动态链接预测的少样本问题,提出基于元学习的新模型,利用跨度记忆编码器和预测器,通过跨度与节点适应学习隐式信息,在三个公开数据集上超越现有方法。
2023-10-15 cs.LG
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
Predicting Hidden Links and Missing Nodes in Scale-Free Networks with Artificial Neural Networks
International Laboratory for Applied Network Research(234国际应用网络研究实验室);Indiana University Bloomington(印第安纳大学布林姆ington分校);University of Ljubljana(卢布尔雅那大学);National Research University Higher School of Economics(俄罗斯国家研究大学高等经济学院)
本文提出利用随机网络生成器和人工神经网络,预测无标度网络中的隐藏链接和缺失节点,通过区分不同子类型网络来识别异常。
2026-03-19 cs.LG cs.SI
Differentially Private Link Prediction With Protected Connections
Indian Institute of Technology Bombay(印度理工学院孟买分校)
链接预测(LP)算法向每个节点提出当前非邻居的节点的排序列表,作为将来链接的最可能候选。由于对隐私的日益关注,用户(节点)可能更喜欢保持他们的一些连接受到保护或私有。受此观察的启发,我们的目标是设计一个差分私有LP算法,该算法在受保护节点对的隐私和链接预测准确性之间进行权衡。更具体地说,我们首先提出了一种形式的差分隐私图,模型的隐私损失只有那些节点对被标记为受保护。接下来,我们开发了DPLP,这是一种学习排序算法,它对来自非私有LP系统的基本分数应用单调变换,然后添加噪声。DPLP是用隐私引起的排名损失来训练的,该排名损失针对受保护节点对的给定的最大允许隐私泄漏水平来优化排名效用。在最近引入的潜在节点嵌入模型下,我们提出了一个隐私和LP效用之间的正式权衡。大量的实验与几个现实生活中的图形和几个LP算法表明,DPLP可以更有效地权衡隐私和预测性能之间的几个替代品。
2020-12-14 cs.LG cs.SI stat.ML
VisAdj: Learning Adjacency Matrices from Node-Link Images
University of Delaware(特拉华大学)
针对从节点-链接图像学习邻接矩阵的问题,提出VisAdj框架,通过注意力稀疏邻居采样器与线图变换器实现拓扑感知的邻接预测,在合成图、道路网络和船舶图像上性能优于现有基线。
2026-08-25 cs.AI cs.CV cs.LG
LinkD: AutoRegressive Diffusion Model for Mechanical Linkage Synthesis
Department of Mechanical Engineering, Carnegie Mellon University, Pittsburgh, PA, USA(机械工程系,卡内基梅隆大学,匹兹堡,PA,USA)
LinkD通过自回归扩散模型实现机械连杆的高效逆向设计,结合因果Transformer和DDPM,支持动态生成和自适应修正,适用于大规模复杂机械系统。
2026-01-07 cs.LG
Neural Link Prediction with Walk Pooling
Nanjing Normal University(南京师范大学);Universität Basel(巴塞尔大学)
图神经网络通过联合利用图拓扑结构和节点属性来实现链接预测的高精度。然而,拓扑是间接表示的;基于子图分类的最先进的方法用到目标链路的距离标记节点,因此,尽管存在拓扑信息,但它被池化所缓和。这使得利用与网络形成机制相关的环和基序等特征具有挑战性。我们提出了一个链接预测算法的基础上,一个新的池方案称为WalkPool。WalkPool结合了拓扑拓扑学的表达能力和神经网络的特征学习能力。它通过相邻路径的随机游走概率来概括一个假定的链路。它不是从原始图中提取转移概率,而是通过关注学习到的特征来计算"预测"潜在图的转移矩阵;这可以被解释为特征敏感的拓扑指纹。WalkPool可以利用无监督节点功能,或者与GNN和端到端训练相结合。它在所有常见的链接预测基准上都优于最先进的方法,包括homophilic和heterophilic,有和没有节点属性。将WalkPool应用于一组无监督GNN显著提高了预测准确性,这表明它可以用作通用图池方案。
2022-03-16 cs.LG cs.SI
Optimizing Long-tailed Link Prediction in Graph Neural Networks through Structure Representation Enhancement
Ant Group(蚂蚁集团)
本文提出LTLP框架,通过为尾部节点对补充高质量边并强制同类别内头部和尾部节点对表示对齐,消除共同邻居长尾分布的负面影响,提升图神经网络链路预测性能。
2024-07-30 cs.LG
Self-Explainable Graph Neural Networks for Link Prediction
The Pennsylvania State University(宾夕法尼亚州立大学);Florida International University(佛罗里达国际大学);Amazon(亚马逊);Michigan State University(密歇根州立大学)
针对GNNs在链接预测中可解释性差及事后解释器次优的问题,提出一种自解释GNN框架,通过寻找节点的K个重要邻居学习特定于对的表示,同时实现准确预测与解释。
2023-05-21 cs.LG
Two-Dimensional Weisfeiler-Lehman Graph Neural Networks for Link Prediction
Peking University(北京大学);Purdue University(普渡大学);Beijing Institute for General Artificial Intelligence(北京通用人工智能研究院)
链接预测是图神经网络的一个重要应用。大多数现有的用于链接预测的GNN是基于一维Weisfeiler-Lehman(1-WL)检验的。1-WL-GNN首先通过迭代地将相邻节点特征传递到中心来计算节点表示,然后通过聚合成对节点表示来获得链路表示。正如以前的工作所指出的,这种两步过程导致低识别能力,因为1-WL-GNN本质上学习节点级表示而不是链路级表示。在本文中,我们研究了一个完全不同的方法,可以直接获得节点对(链接)表示的基础上\textit{two-dimensional Weisfeiler-Lehman (2-WL) tests}。2-WL测试直接使用链接(2-元组)作为消息传递单元,而不是节点,因此可以直接获得链接表示。从理论上分析了2-WL测试对非同构链接的判别能力,证明了其优于1-WL的链接判别能力。基于不同的2-WL变体,我们提出了一系列新的2-WL-GNN模型用于链接预测。在广泛的真实世界数据集上进行的实验证明了它们与最先进的基线相比的竞争性能和优于普通1-WL-GNN的优势。
2022-06-20 cs.LG
Structure Enhanced Graph Neural Networks for Link Prediction
Alibaba Group(阿里巴巴集团)
图神经网络(GNNs)在各种任务中表现出了良好的效果,其中链接预测是一个重要的任务。GNN模型通常遵循以节点为中心的消息传递过程,该过程递归地将邻域信息聚合到中心节点。在这种范式下,节点的特征通过边传递,而不关心节点位于何处以及它们扮演的角色。然而,被忽视的拓扑信息被证明是有价值的链接预测任务。在本文中,我们提出了结构增强图神经网络(SEG)的链接预测。SEG引入路径标记方法来获取目标节点周围的拓扑信息,然后将其结构融入到普通的GNN模型中。通过联合训练结构编码器和深度GNN模型,SEG融合拓扑结构和节点特征,充分利用图信息。在OGB链接预测数据集上的实验表明,SEG在所有三个公共数据集上都取得了最先进的结果。
2022-01-14 cs.LG
Active Discovery of Network Roles for Predicting the Classes of Network Nodes
University of Colorado(科罗拉多大学)
现实世界网络中的节点通常具有类标签或底层属性,这些标签或属性与它们连接到其他节点的方式有关。有时这种关系很简单,例如同一类的节点可能更有可能连接。然而,在其他情况下,这并不正确,网络中节点的链接方式与其属性之间的关系则不同,更为复杂。在这里,我们考虑网络,我们知道节点是如何连接的,但我们不知道节点的类标签或类标签如何与网络链接相关。我们希望识别最佳的节点子集来标记,以了解节点属性和网络链接之间的关系。然后,我们可以使用这个发现的关系来准确地预测其余网络节点的类标签。我们提出了一个模型,识别具有相似链接模式的节点组,我们称之为网络角色,使用生成块模型。然后,该模型通过使用最大间隔分类器学习从网络角色到类标签的映射来预测标签。我们选择一个子集的节点标记根据迭代的边缘为基础的主动学习策略。通过将网络角色的发现与分类器优化相结合,主动学习过程可以使网络角色适应于更好地表示用于节点分类的网络。我们通过探索现实世界中的网络,包括海洋食物网和英语单词网络来展示该模型。我们表明,与其他网络分类器相比,该模型实现了良好的分类精度为一系列的网络类标签和网络链接之间的不同关系。
2014-03-18 cs.LG cs.SI stat.ML
NodeNet: A Graph Regularised Neural Network for Node Classification
Institute of Technology, Nirma University(尼尔玛大学理工学院);HEC Paris(巴黎高等商学院)
真实世界的事件表现出高度的相互依存和联系,因此产生的数据点也继承了这种联系。然而,大多数AI/ML技术忽略了数据点之间的联系。最近对基于图的AI/ML技术的兴趣激增旨在利用这些联系。基于图的学习算法有效地利用数据和相关信息来构建更好的模型。神经图学习(NGL)是一种这样的技术,其利用具有修改的损失函数的传统机器学习算法来利用图结构中的边。在本文中,我们提出了一个模型,使用NGL -节点网,解决节点分类任务的引文图。我们讨论我们的修改和它们与任务的相关性。我们进一步将我们的结果与当前最先进的技术进行比较,并调查NodeNet卓越性能的原因。
2020-06-16 cs.LG cs.SI stat.AP
Adversarial Permutation Guided Node Representations for Link Prediction
Indian Institute of Technology Bombay(印度孟买理工学院)
在观察社交网络的快照之后,链接预测(LP)算法识别节点对,在所述节点对之间新的边将在未来可能实现。大多数LP算法估计当前非相邻节点对的分数,并根据该分数对它们进行排名。最近的LP系统通过比较节点的密集、低维向量表示来计算该分数。图神经网络(GNN),特别是图卷积网络(GCN),是流行的示例。对于要进行有意义比较的两个节点,它们的嵌入应该与邻居的重新排序无关。GNN通常使用简单的对称集合聚合器来确保此属性,但这种设计决策已被证明产生表达能力有限的表示。序列编码器更有表现力,但在设计上对排列敏感。最近的努力,以克服这一困境是不令人满意的LP任务。作为回应,我们提出了PermGNN,它使用一个经常性的,顺序敏感的聚合器聚合邻居特征,并直接最大限度地减少LP损失,同时它被邻居排列的对抗生成器“攻击”。通过设计,PermGNN{}与早期的对称聚合器相比具有更强的表达能力。接下来,我们设计了一个优化框架,将PermGNN的节点嵌入映射到合适的位置敏感哈希,这加快了LP任务报告顶部$K$最有可能的边缘。我们在不同数据集上的实验表明,\our的性能明显优于几种最先进的链接预测器,并且可以快速预测最可能的边缘。
2021-03-28 cs.LG cs.SI physics.soc-ph
GCN-LASE: Towards Adequately Incorporating Link Attributes in Graph Convolutional Networks
Yuanpei College, Peking University(北京大学元培学院);Key Laboratory of Machine Perception, Ministry of Education, Peking University(北京大学教育部机器感知重点实验室)
图卷积网络(GCN)已被证明是一个最强大的架构,在聚合局部邻域信息的个别图节点。在现有的GCN中成功地利用了低秩邻近性和节点特征,然而,图链接可能携带的属性通常被忽略,因为几乎所有这些模型都将图链接简化为描述节点连通性的二进制或标量值。相反,在我们的论文中,链接被恢复到实体之间的实体属性的关系。我们提出了GCN-LASE(GCN与链路属性和抽样估计),一种新的GCN模型,以节点和链路属性作为输入。为了充分捕捉链接和节点属性之间的相互作用,它们的张量积被用作邻居特征,在此基础上,我们定义了几个图核,并进一步开发了相应的LASE架构。此外,为了加快训练过程,整个邻域的特征之和估计通过蒙特卡罗方法,与新的采样策略设计的LASE,以最小化估计方差。我们的实验表明,LASE在各种图形数据集上的表现优于强基线,进一步的实验证实了链接属性的信息量以及我们的模型充分利用它们的能力。
2019-05-30 cs.CV cs.LG cs.SI
Understanding Generalization in Node and Link Prediction
Computer Science Department, RWTH Aachen University(亚琛工业大学计算机科学系)
本文提出统一框架分析MPNNs在归纳式和直推式节点与链路预测中的泛化性质,整合架构参数与损失函数并量化图结构影响,该框架也适用于任何分类任务,实证研究支持了理论见解。
2025-10-30 cs.LG
Graph Based Link Prediction between Human Phenotypes and Genes
Temple University(天普大学);University of Illinois Springfield(伊利诺伊大学斯普林菲尔德分校)
背景资料:通过对表型异常进行详细和精确的分析来了解基因型-表型关联和人类疾病史可以被定义为深度表型。理解和检测表型和基因型之间的这种相互作用是将精准医学转化为临床实践的基本步骤。机器学习领域的最新进展可以有效地预测异常人类表型和基因之间的这些相互作用。方法:在这项研究中,我们开发了一个框架来预测人类表型本体(HPO)和基因之间的联系。来自异构知识资源的注释数据,即,基因组学用于分析人类表型-基因关联。为了生成节点(HPO和基因)的嵌入,使用了称为node 2 vec的算法。它基于随机游走在这个图上执行节点采样,然后在这些采样节点上学习特征以生成嵌入。这些嵌入用于执行下游任务,以使用5种不同的监督机器学习算法来预测这些节点之间的链路的存在。结果如下:下游链接预测任务显示基于梯度提升决策树的模型(LightGBM)实现了最佳AUROC 0.904和AUCPR 0.784。此外,LightGBM实现了0.87的最佳加权F1评分。与其他4种方法相比,LightGBM能够更准确地发现人类表型和基因对之间的相互作用/联系。
2021-06-01 cs.AI cs.LG cs.NE
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
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
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
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
Link Prediction in Networks with Core-Fringe Data
Cornell University(康奈尔大学)
数据汇集通常涉及到对一个较大系统的部分测量。一个常见的例子出现在收集网络数据中:我们通常通过记录一小组核心节点之间的所有交互来获得网络数据集,因此我们最终获得了由这些核心节点以及可能更大的边缘节点组成的网络的测量结果,这些边缘节点与核心节点有联系。鉴于这种收集网络数据的过程无处不在,理解这种“核心-边缘”结构的作用至关重要。在这里,我们研究如何包含边缘节点影响网络链接预测的标准任务。人们最初可能认为包括任何额外的数据是有用的,因此包括所有可用的边缘节点应该是有益的。然而,我们发现这是不正确的;事实上,有很大的变化,在预测的边缘节点的值。一旦选择了一种算法,在某些数据集中,包括来自边缘的任何额外数据实际上会损害预测性能;在其他数据集中,包括一些边缘信息在预测性能饱和甚至下降之前是有用的;在其他情况下,包括整个边缘会导致最佳性能。虽然这样的变化似乎令人惊讶,我们表明,这些行为表现出简单的随机图模型。
2019-03-05 cs.LG cs.SI physics.soc-ph
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
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