AHP：学习负采样以进行超边预测
机器学习
2022-04-19 v2 社会与信息网络
摘要
超图（即超边的集合）自然地表示群体关系（例如，研究人员合著论文以及食谱中共同使用的食材），其中每个关系对应于一条超边（即节点的子集）。预测未来或缺失的超边对许多应用（例如，合作与食谱推荐）具有重要意义。使超边预测尤其具有挑战性的是数量庞大的非超边子集，其随节点数量呈指数增长。由于将所有这些子集用作模型训练的负例是不可行的，不可避免地要对其中极小的一部分进行采样，为此已采用启发式采样方案。然而，训练得到的模型对不同性质的例子泛化能力较差。在本文中，我们提出 AHP，一种基于对抗训练的超边预测方法。它学习采样负例而不依赖任何启发式方案。使用六个真实超图，我们表明 AHP 对各类性质的负例具有更好的泛化能力。其 AUROC 比最佳现有方法最高高出 28.2%，并且常常甚至优于针对测试集定制的采样方案的变体。
引用
@article{arxiv.2204.06353,
title = {AHP: Learning to Negative Sample for Hyperedge Prediction},
author = {Hyunjin Hwang and Seungwoo Lee and Chanyoung Park and Kijung Shin},
journal= {arXiv preprint arXiv:2204.06353},
year = {2022}
}
备注
To be published in the Proceedings of the 45th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR 2022)