用于无监督跨领域先修链的高效变分图自编码器
机器学习
2021-11-02 v5 计算与语言
摘要
先修链学习帮助人们高效获取新知识。虽然人们可快速确定一个领域内概念的学习路径，但在其他领域寻找此类路径可能具有挑战性。我们引入领域对抗变分图自编码器（DAVGAE）以高效解决这一跨领域先修链学习任务。我们的新颖模型由一个变分图自编码器（VGAE）和一个领域判别器组成。VGAE经训练通过链接预测来预测概念关系，而领域判别器以源领域和目标领域数据为输入并训练以预测领域标签。最重要的是，与当前最先进模型相比，该方法仅需简单的同构图作为输入。我们在LectureBankCD数据集上评估我们的模型，结果表明我们的模型在使用仅1/10图规模和1/3计算时间的同时，优于近期基于图的基准。
引用
@article{arxiv.2109.08722,
title = {Efficient Variational Graph Autoencoders for Unsupervised Cross-domain Prerequisite Chains},
author = {Irene Li and Vanessa Yan and Dragomir Radev},
journal= {arXiv preprint arXiv:2109.08722},
year = {2021}
}
备注
Accepted by the Efficient Natural Language and Speech Processing (ENLSP) Workshop, NeurIPS 2021