增强跨图知识迁移
机器学习
2022-12-12 v1 社会与信息网络
摘要
给定一个资源丰富的源图和一个资源稀缺的目标图，我们如何能够有效地跨图迁移知识并确保良好的泛化性能？在许多高影响力领域（例如脑网络和分子图）中，收集和标注数据极其昂贵且耗时，这使得领域自适应成为缓解标签稀缺问题的一个有吸引力的选择。鉴于此，最先进的方法侧重于推导最小化领域差异的领域不变图表示。然而，最近的研究表明，小的领域差异损失可能并不总能保证良好的泛化性能，尤其是在存在迥异的图结构和标签分布偏移的情况下。在本文中，我们提出TRANSNET，一个用于增强跨图知识迁移的通用学习框架。特别地，我们引入了一种称为三位一体信号（trinity signal）的新概念，它能够自然地在不同粒度（例如节点属性、边和子图）上形式化各种图信号。基于此，我们进一步提出一个领域统一模块以及一种三位一体信号混合（trinity-signal mixup）方案，以联合最小化领域差异并增强跨图知识迁移。最后，综合实证结果表明，TRANSNET在七个基准数据集上以显著优势优于所有现有方法。
引用
@article{arxiv.2212.04725,
title = {Augmenting Knowledge Transfer across Graphs},
author = {Yuzhen Mao and Jianhui Sun and Dawei Zhou},
journal= {arXiv preprint arXiv:2212.04725},
year = {2022}
}