学习外推知识：直推式少样本图外链接预测
机器学习
2020-10-30 v3 机器学习
摘要
许多实际的图问题，如知识图谱构建和药物-药物相互作用预测，需要处理多关系图。然而，由于真实世界多关系图的演化特性（新实体（节点）会随时间出现），使用图神经网络（GNNs）处理它们通常具有挑战性。此外，新出现的实体往往只有很少的链接，这使得学习更加困难。受此挑战启发，我们引入了一个现实的少样本图外链接预测问题，其中我们不仅像传统的知识外链接预测任务那样预测已见节点与未见节点之间的链接，还预测未见节点之间的链接，且每个节点仅有少量边。我们用一种新颖的直推式元学习框架解决该问题，称之为图外推网络（GEN）。GEN 元学习用于归纳推理（已见到未见）的节点嵌入网络，以及用于直推推理（未见 to 未见）的链接预测网络。对于直推式链接预测，我们进一步提出随机嵌入层来建模未见实体之间链接预测的不确定性。我们在多个用于知识图谱补全和药物-药物相互作用预测的基准数据集上验证我们的模型。结果表明，我们的模型在图外链接预测任务上显著优于相关基线。
引用
@article{arxiv.2006.06648,
title = {Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction},
author = {Jinheon Baek and Dong Bok Lee and Sung Ju Hwang},
journal= {arXiv preprint arXiv:2006.06648},
year = {2020}
}
备注
NeurIPS 2020