动态网络表示学习中使用T-batching时损失函数选择的影响
机器学习
2023-08-15 v1 社会与信息网络
摘要
表示学习方法通过将离散网络结构转换为连续域，彻底改变了网络上的机器学习。然而，随时间演化的动态网络带来了新的挑战。为此，动态表示学习方法受到关注，其通过利用时间信息带来减少学习时间并提高准确性的好处。T-batching 是一种用于训练动态网络模型的宝贵技术，可在保持精确建模重要条件的同时减少训练时间。然而，我们发现了与 t-batching 一起使用的训练损失函数的一个局限。通过数学分析，我们提出两种克服这些问题的替代损失函数，从而提升训练性能。我们在合成与真实世界动态网络上对提出的损失函数进行了广泛评估。结果一致显示出优于原始损失函数的性能。值得注意的是，在一个以多样用户交互历史为特征的真实世界网络中，所提损失函数在平均倒数排名（MRR）上实现了超过 26.9% 的提升，在 Recall@10 上实现了超过 11.8% 的改进。这些发现凸显了所提损失函数在动态网络建模中的有效性。
引用
@article{arxiv.2308.06862,
title = {Effect of Choosing Loss Function when Using T-batching for Representation Learning on Dynamic Networks},
author = {Erfan Loghmani and MohammadAmin Fazli},
journal= {arXiv preprint arXiv:2308.06862},
year = {2023}
}
备注
29 pages, 10 figures, 4 tables, Submitted to Information Sciences