揭示连边预测算法的“富节点”偏见及其应对新策略 —— 解读“Bias-aware Training and Evaluation of Link Prediction Algorithms in Network Biology” 一、学术背景与研究缘起 在过去的十年里，生物网络（network biology）在揭示生物分子关联与功能方面扮演着愈加重要的角色。随着蛋白-蛋白互作（protein–protein interaction, PPI）、疾病基因关系等大规模图谱数据不断丰富，基于图机器学习的连边预测（link prediction, 连边意指网络中节点之间的关联）成为生物信息学和计算生物学中的核心工具。连边预测算法被广泛用于发现未知的生物分子关联，有助于药物靶点发现、疾病机制研究、实...

动态图表示的时间聚合和传播图神经网络 背景介绍 动态图（temporal graph）是一种在连续时间内节点间具有动态交互的图结构，图的拓扑结构随时间的推移不断演变。这种动态变化让节点在不同时刻展现出变化的偏好，这对捕捉用户偏好和检测异常行为非常关键。然而，现有的研究通常采用有限邻居生成动态表示，这不仅降低了性能，还引发了高延迟的在线推断问题。为了应对这些挑战，本文提出了一种全新的时间图卷积方法，即时间聚合和传播图神经网络（Temporal Aggregation and Propagation Graph Neural Networks，简称TAP-GNN）。该方法通过展开时间图以消息传递的姿态分析了动态表示问题的计算复杂度，并设计了一个聚合和传播模块（AP block），有效减少了历史邻...