通过基于课程的学习增强有符号图神经网络
机器学习
2024-11-28 v2
摘要
有符号图是表示具有正负连接的复杂关系的强大模型。近年来，有符号图神经网络（SGNN）已成为分析此类图的有力工具。据我们所知，此前尚无研究专门设计针对SGNN的训练计划。主流训练方法以随机顺序将样本（边）输入模型，导致训练过程中每个样本贡献相等，但未能考虑基于图结构的学习难度差异。我们认为，SGNN可受益于从易到难的课程，类似于人类学习。主要挑战在于评估有符号图中边的难度。我们通过理论分析SGNN在非平衡环中为边学习充分表示的难度，并提出一种轻量级难度度量器来解决此问题。这构成了我们创新的有符号图课程表示学习框架（称为CSG）的基础。该过程包括使用度量器为训练样本分配难度分数，使用调度器调整其顺序，并相应地训练SGNN模型。我们在六个真实世界有符号图数据集上实证了我们的方法。我们的方法展示了显著的结果，将流行SGNN模型的准确率提高了高达23.7%，并将标准差降低了8.4%，增强了模型稳定性。
引用
@article{arxiv.2310.11083,
title = {Enhancing Signed Graph Neural Networks through Curriculum-Based Training},
author = {Zeyu Zhang and Lu Li and Xingyu Ji and Kaiqi Zhao and Xiaofeng Zhu and Philip S. Yu and Jiawei Li and Maojun Wang},
journal= {arXiv preprint arXiv:2310.11083},
year = {2024}
}
备注
Submitted to Neural Networks