IMPaCT GNN：在按时间划分的时序图中通过消息传递施加不变性
机器学习
2024-11-19 v1 人工智能
机器学习
摘要
本文探讨了由按时间划分导致的图数据中的领域自适应挑战。在直推式图学习设置中，每个节点都与一个时间戳相关联，我们专注于半监督节点分类（SSNC）任务，旨在使用过去节点的标签对最近节点进行分类。节点连接中的时间依赖性会导致领域偏移，当将在历史数据上训练的模型应用于最近数据时，会导致显著的性能下降。鉴于这种情况的实际相关性，解决按时间划分数据中的领域自适应问题至关重要，但目前尚未得到充分探讨。我们提出了在按时间划分的时序图中通过消息传递施加不变性（IMPaCT），这是一种基于从时序图结构中得出的现实假设来施加不变属性的方法。与依赖不可验证假设的传统领域自适应方法不同，IMPaCT 明确考虑了按时间划分的特征。IMPaCT 还得到了严格的数学分析的支持，包括泛化误差上界的推导。在实验中，IMPaCT 在 ogbn-mag 图数据集上比当前 SOTA 方法实现了 3.8% 的性能提升。此外，我们引入了时序随机块模型（TSBM），它在不同条件下复制时序图，证明了我们的方法对一般空间 GNN 的适用性。
引用
@article{arxiv.2411.10957,
title = {IMPaCT GNN: Imposing invariance with Message Passing in Chronological split Temporal Graphs},
author = {Sejun Park and Joo Young Park and Hyunwoo Park},
journal= {arXiv preprint arXiv:2411.10957},
year = {2024}
}
备注
11 pages (without appendix), 35 pages (with appendix), 14 figures