In-n-Out: 用于链接预测的图神经网络校准
原文中文，约1200字，阅读约需3分钟。
📝
内容提要
本文评估了图神经网络（GNNs）在不同数据集上的校准效果，发现其在某些数据集上表现良好，但在其他数据集上存在偏差。提出了基于拓扑的后处理校准函数和新型转导式元学习框架等改进方法，实验结果表明这些方法在链接预测任务中具有更高的准确性和效率。
🔎
延伸解读
校准问题：GNN链接预测的可靠性挑战
文章指出，GNN在不同数据集上的校准表现差异显著：部分数据集上校准良好，而另一些则出现重大偏差。现有先进校准方法虽能缓解，但无法彻底解决。这意味着在实际链接预测应用中，模型输出的置信度可能不可靠，需谨慎对待。
方法演进：从后处理校准到元学习框架
为提升链接预测性能，文章介绍了多种方法：CaGCN通过拓扑感知的后处理校准函数学习节点置信度；GEN作为转导式元学习框架，专注于小样本图数据；Gelato以拓扑为中心，训练和推断更快且能处理类别不平衡；线图方法将链路预测转化为节点分类，在14个数据集上表现优异。这些方法从不同角度改进了GNN的校准和效率。
评估陷阱：链接预测中的现实差距
文章强调，当前链接预测评估存在低于实际性能、数据集划分和指标不统一、负采样不现实等问题。为此，有研究提出基于启发式相关抽样技术的实用评估设置，通过采样难负样本来提高挑战性，使评估更贴近现实。读者应注意，不同评估设置可能导致性能比较失真。
❓
Q&A
图神经网络（GNNs）在链接预测中的表现如何？
图神经网络在某些数据集上表现良好，但在其他数据集上存在重大偏差。
CaGCN模型的主要特点是什么？
CaGCN是一种基于拓扑的后处理校准函数，能够提高自训练框架中的性能表现。
什么是Graph Extrapolation Networks（GEN）？
GEN是一种新型转导式元学习框架，旨在提升小样本图数据的链接预测效果。
Gelato框架的优势是什么？
Gelato框架训练和推断速度更快，精确度更高，适用于解决连接预测中的类别不平衡问题。
如何使用线图方法解决链路预测问题？
通过将链路预测问题转化为线图的节点分类问题，实验结果显示在14个数据集上表现优异。
文章中提到的评估链接预测方法的问题是什么？
当前评估方法存在低于实际性能、缺乏统一数据集划分和不现实评估设置等问题。
🏷️
