SEAL Link Prediction

Die Kernmethodik von SEAL umfasst mehrere wichtige Schritte. Für jeden gegebenen Ziel-Link extrahiert das Framework zunächst seinen 'h-hop enclosing subgraph'. Dieser Subgraph erfasst den lokalen strukturellen Kontext, der den potenziellen Link umgibt. Gleichzeitig erstellt SEAL eine Knoteninformationsmatrix, bezeichnet als X. Diese Matrix ist reich an Informationen und integriert strukturelle Knotenlabels, latente Embeddings, die aus Grapheneigenschaften abgeleitet werden, sowie alle expliziten Attribute, die mit den Knoten verbunden sind.

Sobald der Subgraph (A) und die Knoteninformationsmatrix (X) vorbereitet sind, speist SEAL diese kombinierten Daten in ein Graph Neural Network (GNN) ein. Das GNN wird trainiert, um die Existenz des Links zu klassifizieren. Dieser Ansatz ermöglicht es SEAL, effektiv aus zwei entscheidenden Informationsquellen zu lernen: der inhärenten Graphenstruktur, die durch den Subgraph (A) bereitgestellt wird, und den reichhaltigen Informationsmerkmalen, die in der Knotenmatrix (X) enthalten sind. Dieses gleichzeitige Lernen aus strukturellen und merkmalbasierten Daten ist eine Kernstärke des SEAL-Frameworks.

SEAL bietet Flexibilität in seiner Implementierung, mit Versionen, die sowohl in MATLAB als auch in Python verfügbar sind. Die MATLAB-Version wurde zur Generierung der experimentellen Ergebnisse verwendet, die im Originalpapier präsentiert werden, und enthält Auswertungs-Code für Baseline-Methoden. Die Python-Implementierung zeichnet sich durch ihre verbesserte Flexibilität und Skalierbarkeit aus. Darüber hinaus ist eine PyTorch Geometric-Implementierung verfügbar, die auf Open Graph Benchmark (OGB)-Datensätzen getestet wurde und Planetoid-Datensätze wie Cora und CiteSeer sowie benutzerdefinierte PyTorch Geometric-Datensätze unterstützt.

Ein wesentlicher Aspekt von SEAL ist seine Fähigkeit, auch ohne explizite Knoten-Embeddings oder Attribute effektiv zu arbeiten. In vielen Netzwerkszenarien kann SEAL eine starke prädiktive Leistung erzielen, indem es rein auf Graphenstrukturen zurückgreift. Das Design des Frameworks erkennt an, dass in einigen Fällen die Einbeziehung von Embeddings die Leistung sogar negativ beeinflussen kann. Wenn Knoten-Embeddings aus X ausgeschlossen werden, fungiert SEAL als induktives Link-Prediction-Modell, das in der Lage ist, auf ungesehene Knoten oder Subgraphen zu generalisieren.