リンク予測におけるミニバッチ・クラス構成バイアス

要旨: ノード分類に関する従来研究では、グラフニューラルネットワーク（GNN）が、基盤となるグラフの性質が共有されている場合に、グラフ間で転移可能な表現を学習できることが示されている。固定されたグラフに対しては、リンク予測のために訓練されたGNNが、ノード分類で学習されたものと整合的な表現を学習することが期待されるだろう。そこで我々は、この直観が一般の場合には成り立たないことを示す。代わりに、人気のリンク予測モデルが、バッチ正規化層によって可能になる、単純なミニバッチ依存のヒューリスティックを学習して、辺の分類タスクを解くことができることを見出す。これを補正すると、ネットワーク表現がノード分類に関連する特徴とより強く整合することが観察され、ネットワークが、基盤となるグラフの性質によりよく一致するグラフ表現を学習していることが示唆される。これらの発見は、標準的なリンク予測の訓練によって、タスクをまたいで一貫しているグラフの一般化された表現を学習できるという、リンク予測器の能力を我々が過大評価している可能性を示している。