面向链接预测的实例判别

arXiv cs.LG 论文
instance-discrimination link-prediction self-supervised-learning graph-neural-networks graph-augmentation

摘要

本文将实例判别自监督学习应用于图中的链接预测，提出了基于链接表示的新模型L-GRACE和L-BGRL，这些模型在无属性图上尤其能提升性能。

arXiv:2605.20257v1 公告类型：新 摘要：近年来，实例判别模型已成为自监督学习的主要解决方案。实例判别学习在图像领域已展现出有效性，现在在图领域（特别是节点分类）中同样表现出色。然而，针对链接预测任务的贡献较少。在此贡献中，我们提出将现有方法适应于此上下文。首先，我们对现有自监督模型在链接预测领域进行了严格评估，表明主要性能取决于增强过程（如计算机视觉中的情况）。然后，我们基于对链接预测相关的社区结构，提出了一种新的结构增强方法。我们的主要贡献是引入了两个新模型L-GRACE和L-BGRL，它们基于链接表示而非节点表示，从而提升了现有方法的性能，尤其是在无属性图上。我们证明这些模型在监督和自监督上下文中均与最先进技术表现相当。
查看原文
查看缓存全文

缓存时间: 2026/05/21 06:21 

# 链路预测中的实例判别
来源: https://arxiv.org/abs/2605.20257
作者:Valentin Cuzin\-Rambaud (https://arxiv.org/search/cs?searchtype=author&query=Cuzin-Rambaud,+V)\(SyCoSMA, DM2L, LIRIS, UCBL\),Mathieu Lefort (https://arxiv.org/search/cs?searchtype=author&query=Lefort,+M)\(LIRIS, SyCoSMA, IRISA, MALT, UR\),Rémy Cazabet (https://arxiv.org/search/cs?searchtype=author&query=Cazabet,+R)\(DM2L, LIRIS, UCBL, IXXI\)

查看 PDF (https://arxiv.org/pdf/2605.20257)

> 摘要:近年来，实例判别模型已成为自监督学习的主要方法之一。这类学习已在图像领域展现出其有效性，目前在图领域同样被证明极具说服力，尤其是在节点分类任务上。然而，针对链路预测任务的贡献相对较少。本文中，我们提出将现有方法适配到该场景。我们首先对链路预测领域中现有的自监督模型进行了严格评估，结果表明其主要性能取决于数据增强过程（与计算机视觉类似）。随后，我们提出了一种基于社区结构的新型结构性增强方法，该方法对链路预测具有相关性。我们的主要贡献是引入了两种新模型——L-GRACE 和 L-BGRL，它们基于链路表示而非节点表示，从而提升了现有方法的性能，尤其在无属性图上的表现更佳。同时，我们证明它们在监督和自监督场景下的性能均与当前最先进的方法相当。

## 提交历史

来自：Valentin Cuzin\-Rambaud \[查看电子邮件 (https://arxiv.org/show-email/0996fe63/2605.20257)\] \[经由 CCSD 代理\] **\[v1\]**2026年5月18日星期一 13:27:41 UTC \(350 KB\)

相似文章

基于GNN的链接预测综述：技术、应用与挑战

arXiv cs.AI

本综述从专门的GNN视角全面回顾了基于GNN的链接预测，按技术（GCN、GAE、GAT、GFormer）和应用（知识图谱、推荐系统）对近期进展进行分类，并讨论了挑战与未来方向。

基于SLM条件的分层关系路由用于标记属性图学习

arXiv cs.LG

本文提出了一种基于SLM条件的分层关系路由架构，该架构将小型语言模型集成到图神经网络中，以实现标记属性图中的自适应消息选择，通过利用上下文语义信息来提高预测准确性。

跨多层级抽象的图表示学习统一视角

arXiv cs.LG

本文提出了一种统一的对比学习框架，用于跨多个抽象层级（节点、邻近性、簇、图）学习图表示，并引入了一种无需参数的自适应加权机制，能够自适应地为相似度分数分配权重，在分类、聚类和链接预测等下游任务上优于现有最先进方法。

知识图谱嵌入的模式过度泛化

arXiv cs.CL

本文提出了PogRE方法，通过使用密集线性变换来解决知识图谱嵌入中的模式过度泛化问题，从而在标准基准数据集上提升链接预测性能。