Concorde: previsione dei link basata sulla geometria mediante minimizzazione disaccoppiata dell’energia

Abstract degli autori

La previsione dei link resta difficile nei grafi sparsi: le euristiche basate sulla diffusione non dispongono di connettività sufficiente, mentre i metodi geometrici soffrono di instabilità spettrale quando accoppiano le rappresentazioni apprese agli operatori di diffusione. Presentiamo Concorde, un framework basato sull’energia che affronta il problema scomponendo la probabilità di un link in tre componenti strutturalmente disaccoppiate: (i) un’ancora spettrale priva di parametri che garantisce stabilità topologica invariante alle permutazioni; (ii) un residuo a curvatura mista su una varietà prodotto apprendibile $\mathbb{H}^{d_h}_{c_h} \times \mathbb{S}^{d_s}_{c_s}$, regolarizzato da una stima approssimata della curvatura di Ollivier-Ricci che tiene conto delle caratteristiche; e (iii) un campo vettoriale continuo sul fibrato tangente dello spazio iperbolico, per l’allineamento strutturale non locale attraverso le lacune topologiche. Le tre componenti vengono combinate mediante un meccanismo di gating appreso e addestrate con una funzione di perdita di ranking N-pair coerente con una valutazione basata sul retrieval. Su cinque benchmark che coprono scenari sparsi, densi, privi di caratteristiche e dotati di attributi, Concorde raggiunge una precisione nelle prime posizioni del retrieval ai vertici dello stato dell’arte, quasi raddoppiando la P@10% rispetto alle principali baseline negli scenari sparsi.