Описание
SEAL, что расшифровывается как обучение на основе подграфов, вложений и атрибутов для предсказания связей (learning from Subgraphs, Embeddings, and Attributes for Link prediction), представляет собой сложную структуру, разработанную для решения задачи предсказания связей в графовых данных. Она инновационно переосмысливает предсказание связей как задачу классификации подграфов, что позволяет более полно понимать взаимосвязи внутри графа.
Основная методология SEAL включает несколько ключевых шагов. Для любой целевой связи структура сначала извлекает ее «окружающий подграф с h-скачками». Этот подграф захватывает локальный структурный контекст, окружающий потенциальную связь. Одновременно SEAL строит матрицу информации о узлах, обозначаемую как X. Эта матрица богата информацией, включая структурные метки узлов, скрытые вложения, полученные из свойств графа, и любые явные атрибуты, связанные с узлами.
После подготовки подграфа (A) и матрицы информации о узлах (X), SEAL передает эти объединенные данные в графовую нейронную сеть (GNN). GNN обучается классифицировать наличие связи. Такой подход позволяет SEAL эффективно обучаться на двух критически важных источниках информации: присущей структуре графа, предоставляемой подграфом (A), и богатой информации о признаках, содержащейся в матрице узлов (X). Одновременное обучение на структурных и основанных на признаках данных является ключевым преимуществом структуры SEAL.
SEAL предлагает гибкость в реализации, с версиями, доступными как в MATLAB, так и в Python. Версия MATLAB использовалась для генерации экспериментальных результатов, представленных в оригинальной статье, и включает код оценки для базовых методов. Реализация на Python отличается повышенной гибкостью и масштабируемостью. Кроме того, доступна реализация PyTorch Geometric, которая была протестирована на наборах данных Open Graph Benchmark (OGB) и поддерживает наборы данных Planetoid, такие как Cora и CiteSeer, а также пользовательские наборы данных PyTorch Geometric.
Важным аспектом SEAL является его способность эффективно работать даже без явных вложений или атрибутов узлов. Во многих сетевых сценариях SEAL может достигать высокой прогностической производительности, используя исключительно структуры графа. Дизайн структуры учитывает, что в некоторых случаях включение вложений может даже негативно сказаться на производительности. Когда вложения узлов исключены из X, SEAL функционирует как индуктивная модель предсказания связей, способная обобщаться на невиданные узлы или подграфы.
Главное о SEAL Предсказание Связей
Трансформирует предсказание связей в задачу классификации подграфов
Извлекает окружающие подграфы с h-скачками для локального контекста
Строит матрицы информации о узлах со структурными метками, вложениями и атрибутами
Использует графовые нейронные сети (GNN) для классификации связей
Обучается одновременно на структуре графа и признаках узлов
Доступен в реализациях MATLAB и Python
Поддерживает наборы данных Open Graph Benchmark (OGB)
Может выполнять индуктивное предсказание связей без вложений узлов
Оценивает базовые методы
Предлагает гибкость и масштабируемость в версии Python
Начало работы с SEAL Предсказание Связей
Доступ к модели: Получите код SEAL из репозитория GitHub.
Настройка среды: Установите необходимые зависимости для MATLAB или Python.
Подготовка данных: Отформатируйте ваши графовые данные и атрибуты/вложения узлов.
Извлечение подграфов: Настройте параметр h-скачков для извлечения подграфов.
Обучение модели: Передайте извлеченные подграфы и матрицы информации о узлах в GNN.
Предсказание связей: Используйте обученную модель для предсказания наличия связей.
Оценка производительности: Оцените точность модели с помощью предоставленного кода оценки.
Варианты использования SEAL Предсказание Связей
- Анализ социальных сетей
- Рекомендательные системы
- Предсказание биологических сетей
- Завершение графов знаний
- Обнаружение мошенничества
- Разработка лекарств
