1、简介
图神经网络（GNN）有很强的链接预测能力，但是其计算依赖于对邻居节点知识的聚合，因此导致其在实际应用中往往有较高的延迟。与GNN不同，多层感知机（MLP）在预测时不依赖于邻居节点信息，因此其推理速度更快，但也在一定程度上影响了其预测准确性。为了同时利用这两种模型的优点，即在快速预测的同时保持较高的预测准确性，我们提出了基于知识蒸馏的链接预测方法，将GNN中的知识通过蒸馏的方式教给学生MLP以提升MLP在链接预测中的效果。我们提出了一种适合于链接预测的图关系知识的蒸馏方法LLP，并在实验中证明了它的有效性。本报告的主要内容发表于ICML 2023的论文：Linkless Link Prediction via Relational Distillation。
分享嘉宾
郭之春是圣母大学（University of Notre Dame）计算机科学与工程系的四年级博士生，师从Nitesh Chawla教授。其博士期间主要研究对象为图神经网络，尤其是图神经网络在链接预测任务及化学应用中的问题。其在ICML, ICLR, AAAI, Web Conference, IJCAI等重要学术会议上发表多篇论文，并曾获得2022年Snap Research Fellowship。更多信息请参考她的个人主页https://zguo.io/.
2、LLP--基于知识蒸馏的链接预测加速
