预测图上的沉默多数：可迁移知识的图神经网络
机器学习
2023-04-11 v3 社会与信息网络
摘要
由发声节点（“发声少数”）与沉默节点（“沉默多数”）构成的图，即 VS-Graph，在现实世界中无处不在。发声节点往往具有丰富的特征与标签。相比之下，沉默节点仅具有不完整特征与稀少标签，例如，在推特社交网络上，政治家（发声）的描述与政治倾向丰富，而普通民众（沉默）则不然。预测沉默多数仍是一个关键且具有挑战性的问题。然而，大多数现有的基于消息传递的 GNN 假设所有节点属于同一域，未考虑特征缺失与域间分布偏移，导致处理 VS-Graph 的能力不佳。为应对上述挑战，我们提出可迁移知识的图神经网络（KT-GNN），通过在消息传递与表示学习中将知识从发声节点迁移至沉默节点来建模分布偏移。具体而言，我们设计了域自适应的“特征补全与消息传递机制”用于节点表示学习，同时保留域差异。随后采用基于 KL 散度的可迁移知识分类器。在真实场景（即公司财务风险评估与政治选举）上的综合实验证明了我们方法的优越性能。我们的源代码已开源。
引用
@article{arxiv.2302.00873,
title = {Predicting the Silent Majority on Graphs: Knowledge Transferable Graph Neural Network},
author = {Wendong Bi and Bingbing Xu and Xiaoqian Sun and Li Xu and Huawei Shen and Xueqi Cheng},
journal= {arXiv preprint arXiv:2302.00873},
year = {2023}
}
备注
Paper was accepted by WWW2023