[论文解读] Link Prediction with Persistent Homology: An Interactive View

Zuoyu Yan, Tengfei Ma+3 more|arXiv (Cornell University)|Feb 20, 2021

Advanced Graph Neural Networks被引用 7

一句话总结

本文提出了一种新颖的拓扑方法，利用扩展持久同调来捕捉节点对之间多跳连接的丰富性。通过在k跳邻域内计算拓ological特征，并将其整合到图神经网络（TLC-GNN）中，该方法在多个基准测试中实现了最先进性能，显著提升了对结构复杂性的建模能力，超越了简单邻近性。

ABSTRACT

Link prediction is an important learning task for graph-structured data. In this paper, we propose a novel topological approach to characterize interactions between two nodes. Our topological feature, based on the extended persistent homology, encodes rich structural information regarding the multi-hop paths connecting nodes. Based on this feature, we propose a graph neural network method that outperforms state-of-the-arts on different benchmarks. As another contribution, we propose a novel algorithm to more efficiently compute the extended persistence diagrams for graphs. This algorithm can be generally applied to accelerate many other topological methods for graph learning tasks.

研究动机与目标

• 解决现有链接预测方法在捕捉节点对之间连接结构丰富性方面的局限性。
• 开发一种成对拓扑特征，利用扩展持久同调编码多跳连通性模式。
• 将拓扑特征整合到图神经网络中，以提升链接预测性能。
• 通过一种新算法加速图的扩展持久图计算。
• 证明拓扑特征能有效区分真实图中的正样本边与负样本边。

提出的方法

• 该方法在节点对的k跳包围子图上计算扩展持久同调，以提取拓扑特征。
• 使用基于距离的过滤函数来度量交互显著性，将拓扑特征（0维连通分量和1维环）的出生与死亡时间编码到持久图中。
• 从扩展图生成持久图像，以创建可微且适合嵌入的特征表示。
• 将拓扑特征注入图神经网络（TLC-GNN）中，以优化节点表示并提升链接预测性能。
• 提出一种新算法，以高效计算扩展持久图，降低图学习任务的计算成本。
• 采用t-SNE可视化分析拓扑特征空间中正样本边与负样本边的可分性。

实验结果

研究问题

• RQ1 能否通过扩展持久同调导出的拓扑特征有效捕捉节点对之间连接的结构丰富性？
• RQ2 与基线方法相比，将拓扑信息整合到GNN中如何提升链接预测性能？
• RQ3 在不同类型的图中，捕捉信息性拓扑特征的最优k跳邻域大小是多少？
• RQ4 扩展持久图能否在特征空间中有效分离正样本边与负样本边？
• RQ5 所提出的计算扩展持久图的算法在效率上与现有方法相比如何？

主要发现

• TLC-GNN 在链接预测基准测试中实现了最先进性能，优于现有GNN和拓扑基线方法。
• 在PubMed数据集上，当k=2时，AUC达到97.03%，表明在引文网络中表现强劲。
• 在PPI数据集上，当k=2时，AUC达到84.11%，显示出在生物互作网络中的有效性。
• 通过t-SNE可视化显示，正样本边在拓扑特征空间中形成明显且拉长的聚类，而负样本边则形成紧密聚类。
• 从t-SNE聚类两端选取的正样本显示出不同的环密度和持久点分布，表明存在多样的结构模式。
• 所提出的计算扩展持久图的算法显著降低了计算成本，使该方法在图学习任务中具备更广泛的应用潜力。