arXiv cs.AI· Ege Demirci, Ambuj Singh·· 12 小时前AI 评分24
Concorde：基于解耦能量最小化的几何感知链接预测框架
Concorde: Geometry-Aware Link Prediction via Decoupled Energy Minimization
AI 导读
Concorde 是一个能量框架，将链接预测似然分解为三个结构解耦分支：参数无关的谱锚点、可学习双曲×球面乘积流形上的混合曲率残差，以及双曲空间切丛上的连续向量场，通过门控融合并以 N-pair 排序损失训练。在覆盖稀疏、稠密、无特征与带属性场景的五个基准上，Concorde 取得最优早期检索精度，稀疏设置下 P@10% 较领先基线近乎翻倍。该工作入选 NeurIPS 2026。
正文 · AI 翻译
摘要：在稀疏图中，链接预测仍然困难：扩散启发式方法缺乏连通性，而几何方法在学习到的表示与扩散算子耦合时会出现谱不稳定性。我们提出 Concorde，一个基于能量的框架，通过将链接似然分解为三个结构上解耦的分支来解决这一问题：(i) 一个无参数谱锚点，用于建立置换不变的拓扑稳定性；(ii) 一个可学习 $\mathbb{H}^{d_h}_{c_h} \times \mathbb{S}^{d_s}_{c_s}$ 乘积流形上的混合曲率残差，并由特征感知的 Ollivier-Ricci 曲率代理进行正则化；(iii) 双曲空间切丛上的连续向量场，用于跨拓扑间隙的非局部结构对齐。各分支通过学习到的门控进行融合，并使用与检索式评估对齐的 N 对排序损失进行训练。在涵盖稀疏、稠密、无特征和带属性四种情形的五个基准上，Concorde 确立了最先进的早期检索精度，在稀疏设置下 P@10% 相比领先基线几乎翻倍。
| 评论： | NeurIPS 2026 |
| 主题： | 机器学习 (cs.LG)；人工智能 (cs.AI) |
| ACM 分类： | I.2.6; G.2.2 |
| 引用为： | arXiv:2610.36204 [cs.LG] |
| （或 arXiv:2610.36204v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.36204 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Ege Demirci [查看电子邮件]
[v1]
2026年10月26日星期一 19:41:23 UTC（53 KB）
来源：arXiv cs.AI · arxiv.org