近日，2022级博士生罗子涵（导师黄宏副教授）的论文“Cross-links Matter for Link Prediction: Rethinking the Debiased GNN from a Data Perspective”被人工智能顶会Thirty-seventh Conference on Neural Information Processing Systems（NeurIPS 2023）录用。

论文聚焦于探讨基于图神经网络（Graph Neural Network，GNN）的链接预测中所存在的偏差问题，特别深入研究了GNN在预测“cross-links”（跨越不同社区的链接）时所面临的性能偏差。与以往引入额外的目标函数约束的方法不同，研究观察到现有的GNN模型在“internal-links”（同一社区内的链接）和“cross-links”之间存在着明显的数据偏差。因此，论文采取了一种数据驱动的方法重新审视“cross-links”性能偏差的问题。为此，作者提出了一种简单而高效的孪生结构框架，该框架适用于大多数GNN模型，以减轻这种偏差并提高GNN的性能水平。其核心思想是生成无偏差的节点嵌入向量，然后将这些向量与原始GNN生成的节点嵌入向量融合，以实现性能的提升和去偏。同时，他们设计了一种全新的动态训练策略，以更加高效地将无偏向量与原始向量相结合。在三个不同数据集上的广泛实验验证了该框架的有效性。结果显示，该框架不仅成功地克服了GNN在处理“internal-links”和“cross-links”时的性能偏差，并显著提升了整体预测性能水平。这项研究对于解决链接预测中的性能偏差问题具有重要意义，并为改进现有GNN模型的性能提供了有价值的方法。

NeurIPS是人工智能领域的顶级会议，也是中国计算机学会（CCF）推荐的A类会议，H5指数309。该会议一直被认为是人工智能行业难度最大、理论水平最高的会议之一，在全球范围内享有盛誉。此次NeurIPS 2023会议投稿量12343篇，录用率约为26.1%。

（通讯员：罗子涵）