Link Prediction under Heterophily: A Physics-Inspired Graph Neural Network Approach

要約

ここ数年、グラフ ニューラル ネットワーク (GNN) は、グラフとして表される実世界の現象を柔軟にモデル化できるため、さまざまなディープ ラーニング ドメインの「事実上の」標準になりました。
ただし、GNN のメッセージ送信メカニズムは学習性と表現力の点で課題に直面しており、隣接するノードが異なるラベルを持つことが多い異好性グラフでの高いパフォーマンスを妨げています。
これらの課題に対処する既存のソリューションのほとんどは、主にノード分類タスクに焦点を当てた特定のベンチマークに限定されています。
この狭い焦点により、異性愛のもとでのリンク予測が推奨システムを含むいくつかのアプリケーションにもたらす可能性のある潜在的な影響が制限されます。
たとえば、ソーシャル ネットワークでは、2 人のユーザーが何らかの潜在的な理由で接続される場合があり、そのような接続を事前に予測することが困難になります。
GRAFF などの物理学にインスピレーションを得た GNN は、メッセージパッシングにおける物理バイアスの採用のおかげで、異種性下でのノード分類パフォーマンスの向上に大きく貢献しました。
これらの発見からインスピレーションを得て、GRAFF で採用されている方法論によりリンク予測パフォーマンスも向上できると主張します。
この仮説をさらに調査するために、GRAFF をリンク予測に拡張した GRAFF-LP を紹介します。
異好性グラフの最近のコレクション内でその有効性を評価し、異好性下でのリンク予測の新しいベンチマークを確立します。
私たちのアプローチは、ほとんどのデータセットで以前の方法を上回り、さまざまなコンテキストで強力な柔軟性を示し、最大 26.7% の相対的な AUROC 改善を達成しました。

要約(オリジナル)

In the past years, Graph Neural Networks (GNNs) have become the `de facto’ standard in various deep learning domains, thanks to their flexibility in modeling real-world phenomena represented as graphs. However, the message-passing mechanism of GNNs faces challenges in learnability and expressivity, hindering high performance on heterophilic graphs, where adjacent nodes frequently have different labels. Most existing solutions addressing these challenges are primarily confined to specific benchmarks focused on node classification tasks. This narrow focus restricts the potential impact that link prediction under heterophily could offer in several applications, including recommender systems. For example, in social networks, two users may be connected for some latent reason, making it challenging to predict such connections in advance. Physics-Inspired GNNs such as GRAFF provided a significant contribution to enhance node classification performance under heterophily, thanks to the adoption of physics biases in the message-passing. Drawing inspiration from these findings, we advocate that the methodology employed by GRAFF can improve link prediction performance as well. To further explore this hypothesis, we introduce GRAFF-LP, an extension of GRAFF to link prediction. We evaluate its efficacy within a recent collection of heterophilic graphs, establishing a new benchmark for link prediction under heterophily. Our approach surpasses previous methods, in most of the datasets, showcasing a strong flexibility in different contexts, and achieving relative AUROC improvements of up to 26.7%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google