用于预测社交网络距离的预训练预言机
社会与信息网络
2021-06-08 v1 人工智能
摘要
本文提出一种在真实世界社交网络中进行距离预测的新方法。由于预测缺失距离是一个困难问题，我们采用两阶段方法。首先根据真实世界网络的少量测量结果估计合成网络族的 structural 参数，随后利用这些合成网络预训练预测神经网络。由于我们的模型首先搜索最合适的合成图参数，其可作为“预言机”生成任意规模的训练数据集，我们称该方法为“预言机搜索预训练”（OSP）。例如，许多真实世界网络在节点度分布上呈现幂律结构，因此若能估计出合适的幂律图参数，幂律模型便可为所需预言机提供基础以生成合成预训练网络。据此，我们在真实世界的 Facebook、Email 和 Train Bombing 网络上开展实验，表明 OSP 优于无预训练模型、使用不准确参数预训练的模型，以及其他距离预测方案（如低秩矩阵补全）。特别地，仅使用社交网络中 1% 的采样距离，我们便实现了小于一跳的预测误差。OSP 可通过选择适当模型生成合成训练数据而轻松扩展到随机网络等其他领域，因此有望影响许多不同的网络学习问题。
引用
@article{arxiv.2106.03233,
title = {A Pre-training Oracle for Predicting Distances in Social Networks},
author = {Gunjan Mahindre and Randy Paffenroth and Anura Jayasumana and Rasika Karkare},
journal= {arXiv preprint arXiv:2106.03233},
year = {2021}
}
备注
KDD conference 2021