面向新关系类型与节点的链接预测的多任务视角
机器学习
2023-12-06 v2 人工智能
摘要
（离散）带属性多重图中归纳式链接预测的任务，是在新测试多重图中推断节点间缺失的带属性链接（关系）。传统关系学习方法面临泛化能力有限的挑战，难以处理训练时未出现的新节点与新关系类型并存的测试多重图。近来，在仅假设所有关系类型共享相同结构预测模式（单任务）的前提下，Gao 等人（2023）利用双重等变（对节点与关系类型的等变）这一理论概念提出了一种链接预测方法，不同于用于设计图神经网络（GNNs）的（单一）等变（仅对节点）。本文中，我们进一步将双重等变概念推广至多任务双重等变，其中我们定义了带属性多重图中的链接预测，其不同关系类型集合可具有相异且潜在冲突的预测模式（多任务）。我们在真实数据集上的实证结果表明，我们的方法可在无额外信息访问的情况下有效泛化至具有多任务结构的测试图。
引用
@article{arxiv.2307.06046,
title = {A Multi-Task Perspective for Link Prediction with New Relation Types and Nodes},
author = {Jincheng Zhou and Beatrice Bevilacqua and Bruno Ribeiro},
journal= {arXiv preprint arXiv:2307.06046},
year = {2023}
}
备注
Accepted to NeurIPS GLFrontiers 2023. 24 pages, 3 figures