ترجمه فارسی مقاله بهینه‌سازی پیش‌بینی پیوند دنباله‌دار در شبکه‌های عصبی گراف از طریق بهبود نمایش ساختار

چکیده

Link prediction, as a fundamental task for graph neural networks (GNNs), has boasted significant progress in varied domains. Its success is typically influenced by the expressive power of node representation, but recent developments reveal the inferior performance of low-degree nodes owing to their sparse neighbor connections, known as the degree-based long-tailed problem. Will the degree-based long-tailed distribution similarly constrain the efficacy of GNNs on link prediction? Unexpectedly, our study reveals that only a mild correlation exists between node degree and predictive accuracy, and more importantly, the number of common neighbors between node pairs exhibits a strong correlation with accuracy. Considering node pairs with less common neighbors, i.e., tail node pairs, make up a substantial fraction of the dataset but achieve worse performance, we propose that link prediction also faces the long-tailed problem. Therefore, link prediction of GNNs is greatly hindered by the tail node pairs. After knowing the weakness of link prediction, a natural question is how can we eliminate the negative effects of the skewed long-tailed distribution on common neighbors so as to improve the performance of link prediction? Towards this end, we introduce our long-tailed framework (LTLP), which is designed to enhance the performance of tail node pairs on link prediction by increasing common neighbors. Two key modules in LTLP respectively supplement high-quality edges for tail node pairs and enforce representational alignment between head and tail node pairs within the same category, thereby improving the performance of tail node pairs.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی پیوند ، به عنوان یک کار اساسی برای شبکه های عصبی نمودار (GNN) ، پیشرفت چشمگیری در حوزه های متنوع داشته است.موفقیت آن به طور معمول تحت تأثیر قدرت بیانگر بازنمایی گره است ، اما تحولات اخیر نشان دهنده عملکرد پایین گره های درجه پایین به دلیل اتصالات همسایه پراکنده آنها ، معروف به مشکل بلند و مبتنی بر درجه است.آیا توزیع دم بلند مبتنی بر مدرک به طور مشابه اثربخشی GNN ها را در پیش بینی پیوند محدود می کند؟به طور غیر منتظره ، مطالعه ما نشان می دهد که تنها یک همبستگی خفیف بین درجه گره و دقت پیش بینی کننده وجود دارد و مهمتر از همه ، تعداد همسایگان مشترک بین جفت های گره همبستگی قوی با دقت نشان می دهد.با توجه به جفت های گره با همسایگان کمتر متداول ، یعنی جفت گره دم ، بخش قابل توجهی از مجموعه داده ها را تشکیل می دهند اما به عملکرد بدتری می رسند ، ما پیشنهاد می کنیم که پیش بینی پیوند نیز با مشکل طولانی مدت روبرو است.بنابراین ، پیش بینی پیوند GNN توسط جفت های گره دم بسیار مانع است.پس از دانستن ضعف پیش بینی پیوند ، یک سؤال طبیعی این است که چگونه می توان اثرات منفی توزیع دم بلند و باریک بر همسایگان مشترک را از بین برد تا عملکرد پیش بینی پیوند را بهبود بخشد؟به همین منظور ، ما چارچوب طولانی مدت خود (LTLP) را معرفی می کنیم ، که برای افزایش عملکرد جفت گره دم در پیش بینی پیوند با افزایش همسایگان مشترک طراحی شده است.دو ماژول کلیدی در LTLP به ترتیب لبه های با کیفیت بالا را برای جفت های گره دم تکمیل می کنند و تراز بازنمایی بین جفت های گره سر و دم را در همان دسته اجرا می کنند و از این طریق عملکرد جفت های گره دم را بهبود می بخشند.