Mezcla de Predictores de Enlaces

La predicción de enlaces, que tiene como objetivo prever conexiones no vistas en gráficos, es una tarea fundamental en el aprendizaje automático de gráficos. Los métodos heurísticos, que aprovechan una variedad de medidas por pares como vecinos comunes y caminos más cortos, a menudo rivalizan con el rendimiento de las Redes Neuronales de Grafos (GNNs) estándar. Por lo tanto, los avances recientes en las GNNs para la predicción de enlaces (GNN4LP) se han centrado principalmente en integrar uno o unos pocos tipos de información por pares. En este trabajo, revelamos que diferentes pares de nodos dentro del mismo conjunto de datos requieren información por pares variada para una predicción precisa y que modelos que aplican la misma información por pares de manera uniforme podrían lograr un rendimiento subóptimo. Como resultado, proponemos un modelo simple de mezcla de expertos, Link-MoE, para la predicción de enlaces. Link-MoE utiliza varias GNNs como expertos y selecciona estratégicamente el experto apropiado para cada par de nodos en función de varios tipos de información por pares. Los resultados experimentales a través de diversos conjuntos de datos del mundo real demuestran una mejora sustancial en el rendimiento de Link-MoE. Notablemente, Link-MoE logra una mejora relativa del 18.82\% en la métrica MRR para el conjunto de datos de Pubmed y del 10.8\% en la métrica Hits@100 para el conjunto de datos ogbl-ppa, en comparación con las mejores líneas base.