图表示学习方法对图稀疏性与节点信息非对称是否具有鲁棒性
机器学习
2022-05-20 v1 人工智能
摘要
图表示学习（GRL）方法日益增长的流行促使大量模型被开发并应用于各类领域。在这些多样化的领域背后，图具有强烈的异质性，使得难以估计某个模型在新图上的预期性能，尤其是当该图具有尚未在基准中遇到的显著特征时。为此，我们开发了一条实验流水线，以评估给定属性对模型性能的影响。在本文中，我们利用该流水线研究银行交易图上出现的两个特殊性，这些特殊性源于银行对市场中所涉及的所有个人与交易仅拥有部分视图。这些特征即为图稀疏性与节点信息非对称。本研究表明 GRL 方法对这些显著特征具有鲁棒性。我们相信该工作能够简化针对特定特征的 GRL 方法评估，并推动此类方法在交易图上的发展。
引用
@article{arxiv.2205.09648,
title = {Are Graph Representation Learning Methods Robust to Graph Sparsity and Asymmetric Node Information?},
author = {Pierre Sevestre and Marine Neyret},
journal= {arXiv preprint arXiv:2205.09648},
year = {2022}
}
备注
9 paages, 3 figures