Most graph algorithms consider all edges importance to be equal. In practice, however, not all edges are equally important. In this paper, we propose Masked Graph Model, a new graph augmentation algorithm to improve link prediction performance by learning the importance of each edge using the graph structure. Masked Graph Model learns edge weights in a graph by blinding some edges and let the visible edges predict the masked edges, so that the weight of the visible edges can contain the structural information of the graph. This paper is the first graph augmentation paper to improve link prediction performance, and the proposed algorithm leads to consistent performance improvement in most of the datasets.
대부분의 그래프 알고리즘은 모든 간선의 중요도를 동일하게 고려한다. 그러나 실제로는 모든 간선이 동일하게 중요하지 않다. 본 논문에서는 그래프의 구조를 사용하여 각 간선의 중요도를 학습하여, 간선 예측 성능을 향상시키기 위한 새로운 그래프 증강 알고리즘인 가려진 그래프 모델을 제안한다. 가려진 그래프 모델은 그래프의 일부 간선을 가리고, 보이는 간선의 구조 정보만으로 가려진 간선을 맞추도록 학습시킴으로써 보이는 간선의 가중치가 그래프의 구조 정보를 담을 수 있도록 한다. 본 논문은 간선 예측 성능을 향상시키기 위한 첫번째 그래프 증강 알고리즘 논문이며, 제안된 알고리즘은 대부분의 데이터셋에서 일관된 성능 향상을 이끌어냈다.
