admin管理员组文章数量:1652185
总结:小改进,对于一个节点的两个邻居,若这两邻居包含相似和冗余的信息时,GNN模型的表现就会变差,本篇paper设置了规则对这些相似和冗余的信息节点进行了聚合。根据迭代聚合,可以得到不同尺度的graphs,这些graphs包含着互补信息,有助于提升任务性能。
问题:一个点的表示主要来自于他的邻居,如果邻居的特征和本身很相似,那么会学不到有用的。所以需要更远的邻居。
解决方法:通过节点聚类方法(h-hop子图再去除冗余信息)对图做收缩。得到不同尺度的图,并学到对应的节点特征,再通过不同层次的节点特征预测节点间的连线是否存在,不同层次信息能互补。我们理论上证明了不同尺度的图能保存一样的连接信息。
核心:把点是否连接问题转为图分类问题,如下图中判断两个红点是否连接,用到了最短路封闭子图。
Node Aggregation and Multi-Scale Graph
为了找出冗余点进行聚合,我们定义label
能连接并且label是一样的就是冗余点
把这些点都聚合起来,再用fl重定义label。我们证明了合并掉的那些点在空间贡献上是一样的,即融合不会损失图的结构信息
Target-Wise Loss Analysis
图重构后改变lable有上限且不能改变点之间的连接性。
我们用Katz index和Random Walk两种启发式算连接方法。证明了当两个节点分享大致相同的邻居节点时,把他们合并到一起,在以上两种启发式连接方法中信息损失都是有上限的
本文标签: ApproachScaleMultipredictionLINK
版权声明:本文标题:A Multi-Scale Approach for Graph Link Prediction 内容由热心网友自发贡献,该文观点仅代表作者本人, 转载请联系作者并注明出处:https://www.elefans.com/dianzi/1729578925a1207366.html, 本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容,一经查实,本站将立刻删除。
发表评论