A Multi-Scale Approach for Graph Link Prediction

总结：小改进，对于一个节点的两个邻居，若这两邻居包含相似和冗余的信息时，GNN模型的表现就会变差，本篇paper设置了规则对这些相似和冗余的信息节点进行了聚合。根据迭代聚合，可以得到不同尺度的graphs，这些graphs包含着互补信息，有助于提升任务性能。

问题：一个点的表示主要来自于他的邻居，如果邻居的特征和本身很相似，那么会学不到有用的。所以需要更远的邻居。

解决方法：通过节点聚类方法（h-hop子图再去除冗余信息）对图做收缩。得到不同尺度的图，并学到对应的节点特征，再通过不同层次的节点特征预测节点间的连线是否存在，不同层次信息能互补。我们理论上证明了不同尺度的图能保存一样的连接信息。

核心：把点是否连接问题转为图分类问题，如下图中判断两个红点是否连接，用到了最短路封闭子图。

Node Aggregation and Multi-Scale Graph

为了找出冗余点进行聚合，我们定义label

 

能连接并且label是一样的就是冗余点

把这些点都聚合起来，再用fl重定义label。我们证明了合并掉的那些点在空间贡献上是一样的，即融合不会损失图的结构信息

Target-Wise Loss Analysis

图重构后改变lable有上限且不能改变点之间的连接性。

我们用Katz index和Random Walk两种启发式算连接方法。证明了当两个节点分享大致相同的邻居节点时，把他们合并到一起，在以上两种启发式连接方法中信息损失都是有上限的