Badacze zidentyfikowali systematyczne błędy w predykcji linków (graph neural networks) spowodowane brakiem reprezentatywności klas w małych batch'ach treningowych. Problem polega na tym, że podczas treningu modelu na porcjach danych mogą brakować niektórych typów krawędzi, co prowadzi do obciążenia modelu. Odkrycie jest ważne, ponieważ predykcja linków jest kluczowym zadaniem w Machine Learning na grafach z aplikacjami od rekomendacji po odkrywanie relacji. Wyniki sugerują potrzebę lepszych strategii próbkowania danych podczas treningu takich modeli.