FakeEdge:缓解链接预测中的数据集偏移
机器学习
2022-12-06 v2 社会与信息网络
机器学习
摘要
链接预测是图结构数据中的一个关键问题。由于图神经网络(GNNs)近期的成功,人们提出了多种基于 GNN 的模型来解决链接预测任务。具体而言,GNNs 利用消息传递范式来获取节点表示,这依赖于链接连通性。然而,在链接预测任务中,训练集中的链接始终存在,而测试集中的链接尚未形成,导致连通模式的差异与所学表示的偏差。这引发了数据集偏移问题,降低了模型性能。在本文中,我们首先识别了链接预测任务中的数据集偏移问题,并从理论上分析了现有链接预测方法为何易受其影响。随后我们提出 FakeEdge,一种模型无关的技术,通过缓解训练集与测试集之间的图拓扑鸿沟来解决该问题。大量实验证明了 FakeEdge 在跨多个领域的多个数据集上的适用性与优越性。
引用
@article{arxiv.2211.15899,
title = {FakeEdge: Alleviate Dataset Shift in Link Prediction},
author = {Kaiwen Dong and Yijun Tian and Zhichun Guo and Yang Yang and Nitesh V. Chawla},
journal= {arXiv preprint arXiv:2211.15899},
year = {2022}
}
备注
Accepted to Learning on Graph