Description
SEAL, qui signifie "learning from Subgraphs, Embeddings, and Attributes for Link prediction" (apprentissage à partir de sous-graphes, d'embeddings et d'attributs pour la prédiction de liens), est un framework sophistiqué conçu pour relever le défi de la prédiction de liens dans les données basées sur des graphes. Il reformule de manière innovante la prédiction de liens comme un problème de classification de sous-graphes, permettant une compréhension plus complète des relations au sein d'un graphe.
Lire la suite
La méthodologie principale de SEAL implique plusieurs étapes clés. Pour tout lien cible donné, le framework extrait d'abord son "sous-graphe englobant h-hop". Ce sous-graphe capture le contexte structurel local entourant le lien potentiel. Simultanément, SEAL construit une matrice d'informations de nœuds, notée X. Cette matrice est riche en informations, intégrant des étiquettes de nœuds structurelles, des embeddings latents dérivés des propriétés du graphe et tous les attributs explicites associés aux nœuds.
Une fois le sous-graphe (A) et la matrice d'informations de nœuds (X) préparés, SEAL alimente ces données combinées dans un réseau neuronal de graphes (GNN). Le GNN est entraîné pour classifier l'existence du lien. Cette approche permet à SEAL d'apprendre efficacement à partir de deux sources d'informations cruciales : la structure intrinsèque du graphe fournie par le sous-graphe (A) et les informations riches des caractéristiques contenues dans la matrice de nœuds (X). Cet apprentissage simultané à partir de données structurelles et basées sur les caractéristiques est une force clé du framework SEAL.
SEAL offre une flexibilité dans son implémentation, avec des versions disponibles en MATLAB et en Python. La version MATLAB a été utilisée pour générer les résultats expérimentaux présentés dans le papier original et inclut du code d'évaluation pour les méthodes de référence. L'implémentation Python est reconnue pour sa flexibilité et sa scalabilité améliorées. De plus, une implémentation PyTorch Geometric est disponible, qui a été testée sur des jeux de données OGB (Open Graph Benchmark) et prend en charge des jeux de données Planetoid comme Cora et CiteSeer, ainsi que des jeux de données PyTorch Geometric personnalisés.
Un aspect significatif de SEAL est sa capacité à performer efficacement même sans embeddings ou attributs de nœuds explicites. Dans de nombreux scénarios de réseau, SEAL peut atteindre de fortes performances prédictives en exploitant uniquement les structures de graphes. La conception du framework reconnaît que dans certains cas, l'inclusion d'embeddings pourrait même avoir un impact négatif sur les performances. Lorsque les embeddings de nœuds sont exclus de X, SEAL fonctionne comme un modèle de prédiction de liens inductif, capable de généraliser à des nœuds ou des sous-graphes non vus.
- CatégorieModèles d'IA et LLM
- Modèle tarifaireOpen source
- DéploiementCloud, Auto-hébergé
- PlateformesWindows, macOS, Linux
Fonctionnalités principales de SEAL Link Prediction
Transforme la prédiction de liens en un problème de classification de sous-graphes
Extrait des sous-graphes englobants h-hop pour le contexte local
Construit des matrices d'informations de nœuds avec des étiquettes structurelles, des embeddings et des attributs
Utilise des réseaux neuronaux de graphes (GNN) pour la classification de liens
Apprend simultanément de la structure du graphe et des caractéristiques des nœuds
Disponible en implémentations MATLAB et Python
Prend en charge les jeux de données OGB (Open Graph Benchmark)
Peut effectuer une prédiction de liens inductive sans embeddings de nœuds
Évalue les méthodes de référence
Offre flexibilité et scalabilité dans la version Python
Premiers pas avec SEAL Link Prediction
Accéder au modèle : Obtenez le code SEAL depuis le dépôt GitHub.
Configurer l'environnement : Installez les dépendances nécessaires pour MATLAB ou Python.
Préparer les données : Formatez vos données de graphe et vos attributs/embeddings de nœuds.
Extraire les sous-graphes : Configurez le paramètre h-hop pour l'extraction des sous-graphes.
Entraîner le modèle : Alimentez les sous-graphes extraits et les matrices d'informations de nœuds dans le GNN.
Prédire les liens : Utilisez le modèle entraîné pour prédire l'existence des liens.
Évaluer les performances : Évaluez la précision du modèle à l'aide du code d'évaluation fourni.
Cas d'utilisation de SEAL Link Prediction
- Analyse de réseaux sociaux
- Systèmes de recommandation
- Prédiction de réseaux biologiques
- Complétion de graphes de connaissances
- Détection de fraude
- Découverte de médicaments
