介绍的是来自香港理工大学李文捷教授团队发表在IEEE TNNLS上的一篇文章 “Neighborhood Attention Networks With Adversarial Learning for Link Prediction”。本文提出了一种新颖的多空间邻域注意力机制，用以提取并聚合图中给定节点的邻域信息。同时，文章采用了一种对抗性学习框架，其中生成器会持续产生高质量的负样本，促进链路预测模型的性能优化。实验结果表明，该方法优于现有方法，具有很强的表达能力。

论文链接：

https://ieeexplore.ieee.org/document/9174790

摘要：

在本文中，作者目标是开发用于链接预测的基于邻域的神经网络模型。作者设计了一种新颖的多空间邻域注意力机制，通过捕获邻域的潜在重要性，并在多个潜在空间中选择性地聚合它们的特征来提取通用邻域特征。基于这种机制，作者提出了两种链接预测模型，即自邻域注意力网络（SNAN），通过编码和匹配各自节点的邻域信息来预测两个节点之间是否存在链接；跨邻域注意力网络（CNAN），通过设一个跨邻域注意力机制来直接捕捉两个节点之间的结构交互信息。这项工作的另一个关键创新是作者提出了一个对抗性学习框架，设计了一个负样本生成器，通过在对抗性博弈中不断提供信息量很大的负样本，从而改进所提出的链接预测模型的优化方式。作者通过针对 14 种流行和最先进的链接预测方法在12 个基准数据集的广泛实验来评估模型。结果有力地证明了作者的模型在各种类型的网络上的显著和普遍的优越性。详细的消融研究也验证了所提出的注意力机制和对抗性学习框架的有效性和稳健性。

模型整体如上图所示，左边为自邻域注意力网络（SNAN），右边为跨邻域注意力网络（CNAN）。

内容中包含的图片若涉及版权问题，请及时与我们联系删除