MiNT：面向时序图的多网络训练迁移学习
机器学习
2025-02-18 v3
摘要
时序图学习（TGL）已成为从动态网络中发现模式并预测未来相互作用的稳健框架。虽然现有研究主要集中于从单个网络中学习，但本研究探索了从多个时序网络中学习及其对未观测网络的迁移潜力。为实现此目标，本文引入时序多网络训练MiNT，一种新的预训练方法，基于多个时序网络进行学习。我们收集了84个时序交易网络，针对最多64个网络进行预训练，并评估其对20个未见网络的迁移性能。令人惊讶的是，MiNT在零样态推理中实现了最先进结果，超越在每个网络上单独训练的模型。我们的进一步发现表明，增加预训练网络的数量显著提升了迁移性能。这一工作为开发时序图基础模型奠定了基础，凸显了多网络预训练在TGL中的重要潜力。
引用
@article{arxiv.2406.10426,
title = {MiNT: Multi-Network Training for Transfer Learning on Temporal Graphs},
author = {Kiarash Shamsi and Tran Gia Bao Ngo and Razieh Shirzadkhani and Shenyang Huang and Farimah Poursafaei and Poupak Azad and Reihaneh Rabbany and Baris Coskunuzer and Guillaume Rabusseau and Cuneyt Gurcan Akcora},
journal= {arXiv preprint arXiv:2406.10426},
year = {2025}
}
备注
20 pages, 9 figures, preprint version