[论文解读] Adaptive Neighborhood Graph Construction for Inference in Multi-Relational Networks

Shobeir Fakhraei, Dhanya Sridhar+2 more|arXiv (Cornell University)|Jul 2, 2016

Advanced Graph Neural Networks参考文献 9被引用 3

一句话总结

本文提出一种动态、模型感知的框架，用于在推理过程中构建多关系邻域图，根据中间推理状态和关系特征自适应调整图结构。通过整合提名与激活组件以优先处理关键实例和关系，该方法在药物-靶标相互作用数据上的链接预测性能得到提升，同时减少了对全面相似性计算的依赖，相较于静态图构建方法，显著提高了可扩展性与准确性。

ABSTRACT

A neighborhood graph, which represents the instances as vertices and their relations as weighted edges, is the basis of many semi-supervised and relational models for node labeling and link prediction. Most methods employ a sequential process to construct the neighborhood graph. This process often consists of generating a candidate graph, pruning the candidate graph to make a neighborhood graph, and then performing inference on the variables (i.e., nodes) in the neighborhood graph. In this paper, we propose a framework that can dynamically adapt the neighborhood graph based on the states of variables from intermediate inference results, as well as structural properties of the relations connecting them. A key strength of our framework is its ability to handle multi-relational data and employ varying amounts of relations for each instance based on the intermediate inference results. We formulate the link prediction task as inference on neighborhood graphs, and include preliminary results illustrating the effects of different strategies in our proposed framework.

研究动机与目标

• 解决多关系数据中顺序、模型无关的邻域图构建方法的局限性。
• 开发一种在推理过程中利用中间结果与关系结构，动态适应邻域图的框架。
• 通过将模型不确定性与决策边界纳入图构建过程，提升链接预测性能。
• 通过自适应选择高影响力的关系与实例，减少计算成本。
• 通过统一图构建与推理，实现在大规模多关系网络中的可扩展、高效推理。

提出的方法

• 该框架通过交错执行推理与图自适应，利用中间变量状态动态构建邻域图。
• 引入提名组件，基于不确定性或重要性，根据配额选择需额外包含关系的实例。
• 激活组件利用源自模型状态的激活分数，按预测相关性对关系进行排序。
• 该方法结合提名与激活机制，指导关系选择，优先选取对推理最具信息量的关系。
• 将链接预测建模为在自适应邻域图上的推理过程，关系权重由模型学习得到。
• 通过整合多种关系类型（如序列、PPI、GO）并学习其相对重要性，支持多关系数据。

实验结果

研究问题

• RQ1 如何使多关系网络中的邻域图构建过程适应中间推理状态？
• RQ2 与静态、顺序方法相比，模型感知的图构建对链接预测性能有何影响？
• RQ3 在大规模网络中，动态选择实例与关系是否能提升可扩展性与预测准确性？
• RQ4 提名与激活组件在引导推理过程中图演化方面表现如何比较？
• RQ5 在动态图构建框架中，多关系信号在多大程度上可被有效整合？

主要发现

• 采用10%配额的AWL提名方法在AUPR性能上优于无约束选择k条关系的基线方法。
• 即使所选相似性数量更少，仅使用激活的方法仍取得高于仅使用提名方法的AUPR，表明基于分数的关系优先排序具有显著有效性。
• 结合提名与激活组件可在早期迭代中以更少的所选相似性实现更高性能，表明对搜索空间的探索更加高效。
• 所提方法在所有实验中所选相似性数量均显著低于基线，证明计算开销明显降低。
• 该框架有效利用了多种关系类型——序列、PPI与基因本体（Gene Ontology）——在药物-靶标相互作用数据集中提升了链接预测性能。
• 结果表明，模型感知的动态图构建方法在准确率与效率方面均优于静态、顺序的构建方法。