.png){kind=icon}
返回
Rethinking Link Prediction for Directed Graphs
.png){kind=icon}
PRE
AI
DOI：10.1109/tpami.2026.3688944.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
针对有向图的链接预测是一项具有多样现实世界应用的关键任务。近年来，嵌入方法和图神经网络（GNNs）的进展显示出有前景的改进。然而，这些方法往往缺乏对其表达能力的深入分析，并且缺乏有效的基准进行公平评估。在本文中，我们提出一个统一的框架来评估现有方法的表达能力，突出了双嵌入和解码器设计对有向链接预测性能的影响。为解决当前基准设置的局限性，我们引入DirLinkBench，一个具有全面覆盖、标准化评估和模块化扩展性的稳健新基准。DirLinkBench上的结果表明，当前方法难以实现强性能，而DiGAE在整体上优于其他基线。我们进一步从理论上重新审视DiGAE，证明其图卷积与无向二分图上的GCN一致。受这些见解启发，我们提出了一种新颖的谱有向图自编码器SDGAE，在DirLinkBench上实现了当前最佳的平均性能。最后，我们分析了影响有向链接预测的关键因素，并强调了该领域面临的开放性挑战。
Keyword:
Directed graph
link prediction
benchmark
spectral-based graph neural network
期刊
IF:
18.6
论文数:
864
被引数:
9.8W
机构
引用论文
分享收藏分享收藏A Magnetic Framelet-Based Convolutional Neural Network for Directed Graphs.png)
ICASSP 2023 - 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
OAAI
ICASSP 2023 - 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
OAAI分享收藏分享收藏Beyond Over-smoothing: Uncovering the Trainability Challenges in Deep Graph Neural Networks超越过平滑：揭示深度图神经网络中的训练性挑战
PREAI
分享收藏
查看更多内容