Das Extrahieren von Selbstwissen aus kontrastiven Verbindungen zur Klassifikation von Graphenknoten ohne Nachrichtenübertragung

Heutzutage sind Graph Neural Networks (GNNs), die dem Message-Passing-Paradigma folgen, die dominierende Methode zur Bearbeitung graphischer Daten. Modelle innerhalb dieses Paradigmas benötigen zusätzlichen Speicherplatz, um benachbarte Knoten über Adjazenzmatrizen abzurufen, sowie zusätzliche Zeit, um mehrere Nachrichten von benachbarten Knoten zu aggregieren. Um dieses Problem anzugehen, entwickeln wir eine Methode namens LinkDist, die das Selbstwissen aus verbundenen Knotenpaaren in ein Multi-Layer Perceptron (MLP) einbettet, ohne dass eine Nachrichtenaggregation erforderlich ist. Experimente an acht realen Datensätzen zeigen, dass das aus LinkDist abgeleitete MLP die Knotenlabels vorhersagen kann, ohne die Nachbarschaftsinformationen zu kennen, und dabei eine vergleichbare Genauigkeit gegenüber GNNs in Szenarien der halb- und vollständig überwachten Knotenklassifikation erreicht. Darüber hinaus profitiert LinkDist von seinem Nicht-Nachrichtenübertragungs-Paradigma, das es ermöglicht, das Selbstwissen aus willkürlich ausgewählten Knotenpaaren kontrastiv zu extrahieren, um die Leistung von LinkDist weiter zu steigern.