面向图摘要的终身图学习
机器学习
2024-12-23 v2
摘要
由于所建模信息的异质性及其随时间变化的特性，Web 图的摘要工作面临挑战。本文研究了针对终身图摘要使用神经网络的方法。假设我们在某一时刻观察到 Web 图，则训练网络以对图的顶点进行摘要。将该训练好的网络应用于下一时刻变化图的顶点摘要。随后继续训练和评估网络以实现终身图摘要。我们使用 GNNs Graph-MLP 和 GraphSAINT，以及一个 MLP 基线，对进行时图进行摘要。我们比较 1-hop 和 2-hop 摘要。通过测量神经网络的前向和后向迁移以及忘记率来检验从前一快照重用参数的影响。我们在 2012 年和 2022 年采样的拥有超过 1 亿条边的 Web 图的十个周快照上进行了大量实验，结果显示所有网络主要使用 1-hop 信息来确定摘要，即使进行 2-hop 摘要也是如此。由于 Web 图的异质性，在某些快照中，2-hop 摘要会产生超过 10 倍于 1-hop 摘要的顶点摘要数量。当使用 2012 年最后一个快照上训练的网络并应用于 2022 年的第一个快照时，我们观察到准确率显著下降。我们将这一十年时间错位导致的下降归因于 2022 年 Web 图异质性显著增加。
引用
@article{arxiv.2407.18042,
title = {Lifelong Graph Learning for Graph Summarization},
author = {Jonatan Frank and Marcel Hoffmann and Nicolas Lell and David Richerby and Ansgar Scherp},
journal= {arXiv preprint arXiv:2407.18042},
year = {2024}
}