Meta-Graph：基于元学习的少样本链接预测
机器学习
2020-03-03 v2 社会与信息网络
机器学习
摘要
我们考虑图上的少样本链接预测任务。目标是从图上的分布中学习，使得模型在少量训练后能够快速推断新图中的缺失边。我们表明当前的链接预测方法通常难以应对该任务：它们无法有效地将学到的知识从一张图迁移到另一张图，也无法从稀疏的边样本中有效学习。为应对这一挑战，我们引入一种新的基于梯度的元学习框架 Meta-Graph。我们的框架利用高阶梯度以及一个学习到的图签名函数，该函数有条件地生成图神经网络的初始化。使用一组新颖的少样本链接预测基准，我们表明 Meta-Graph 能够仅利用少量真实边快速适应新图，不仅实现快速适应，也改善了收敛时的结果。
引用
@article{arxiv.1912.09867,
title = {Meta-Graph: Few Shot Link Prediction via Meta Learning},
author = {Avishek Joey Bose and Ankit Jain and Piero Molino and William L. Hamilton},
journal= {arXiv preprint arXiv:1912.09867},
year = {2020}
}