图表示学习的知识探测
机器学习
2024-08-08 v1 人工智能
摘要
图学习方法已广泛应用于多个领域。然而，哪类固有的图属性（如图邻近性、图结构信息）已被编码到图表示学习中用于下游任务，仍然探索不足。在本论文中，我们提出了一种新型图探测框架（GraphProbe），用于调查和解释图学习方法的家族是否在图表示学习中编码了不同层次的知识。基于图的内在属性，我们设计了三种探测，从不同视角系统地调查图表示学习过程，分别是节点层面、路径层面和结构层面。我们构建了一个全面的评估基准，包含九种代表性的图学习方法，涵盖基于随机游走的方法、基础图神经网络和自监督图方法，并在六个基准数据集上对它们进行节点分类、链接预测和图分类的探测。实验评估验证了GraphProbe能够估计图表示学习的能力。重新审视的结果得出结论：GCN和WeightedGCN方法是相对通用的方法，在不同任务上取得了更好的结果。
引用
@article{arxiv.2408.03877,
title = {Knowledge Probing for Graph Representation Learning},
author = {Mingyu Zhao and Xingyu Huang and Ziyu Lyu and Yanlin Wang and Lixin Cui and Lu Bai},
journal= {arXiv preprint arXiv:2408.03877},
year = {2024}
}