Neuronale Link-Vorhersage mit Walk-Pooling

Graphen-neuronale Netze erreichen eine hohe Genauigkeit bei der Link-Vorhersage, indem sie gleichzeitig die Graphentopologie und Knotenmerkmale nutzen. Die Topologie wird jedoch indirekt repräsentiert; state-of-the-art-Methoden basierend auf Subgraph-Klassifikation kennzeichnen Knoten mit ihrer Distanz zum Ziel-Link, sodass zwar topologische Informationen vorhanden sind, diese jedoch durch Pooling gemildert werden. Dies erschwert die Nutzung von Merkmalen wie Schleifen und Motiven, die mit Mechanismen der Netzwerkbildung verbunden sind. Wir stellen einen Algorithmus zur Link-Vorhersage vor, der auf einem neuen Pooling-Schema namens WalkPool basiert. WalkPool verbindet die Ausdruckskraft topologischer Heuristiken mit der Merkmalslernfähigkeit neuronaler Netze. Er fasst einen hypothetischen Link durch Zufallswahrscheinlichkeiten benachbarter Pfade zusammen. Anstatt Übergangswahrscheinlichkeiten aus dem ursprünglichen Graphen abzuleiten, berechnet WalkPool die Übergangsmatrix eines „prädiktiven“ latente Graphen, indem Aufmerksamkeit auf gelernte Merkmale angewendet wird; dies kann als merkmals-sensible Topologie-Fingerabdruck-Technik interpretiert werden. WalkPool kann unüberwachte Knotenmerkmale nutzen oder mit GNNs kombiniert und end-to-end trainiert werden. Es übertrifft state-of-the-art-Methoden auf allen gängigen Benchmarks zur Link-Vorhersage – sowohl in homophilen als auch in heterophilen Netzwerken, unabhängig davon, ob Knotenmerkmale vorliegen oder nicht. Die Anwendung von WalkPool auf eine Reihe von unüberwachten GNNs verbessert die Vorhersagegenauigkeit signifikant, was darauf hindeutet, dass WalkPool als allgemein verwendbares Graph-Pooling-Schema eingesetzt werden kann.