Новые модели L-GRACE и L-BGRL улучшают предсказание связей в графах
Методы instance discrimination, доказавшие свою эффективность в компьютерном зрении, находят применение в анализе графов. В новой работе исследователи сосредоточились на задаче предсказания связей, где таких работ пока меньше.
Авторы провели тщательную оценку существующих самоконтролируемых моделей для предсказания связей и выяснили, что ключевым фактором успеха является процесс аугментации данных, аналогично тому, как это работает в компьютерном зрении.
Была предложена новая структурная аугментация на основе сообществ в графе, что особенно актуально для задачи предсказания связей. На основе этой идеи разработаны две модели — L-GRACE и L-BGRL.
В отличие от традиционных подходов, работающих с представлениями узлов, L-GRACE и L-BGRL оперируют непосредственно представлениями связей. Это позволило существенно улучшить качество предсказания на графах без атрибутов (unattributed graphs).
Эксперименты показали, что новые модели достигают результатов на уровне современных методов как в самоконтролируемом, так и в контролируемом режимах. Работа размещена в архиве препринтов arXiv.
Развитие методов самоконтролируемого обучения для графов открывает возможности для анализа социальных сетей, рекомендательных систем и других областей, где предсказание связей играет важную роль.
