使用基于最近邻的困难负样本鲁棒训练时序图神经网络
机器学习
2024-02-16 v1 信息检索
摘要
时序图神经网络（TGNN）在未来的链接预测任务中展现了最先进的性能。这些TGNN的训练通过基于均匀随机采样的无监督损失进行枚举。在训练过程中，在正例的上下文中，损失是在无信息负样本上计算的，这引入了冗余和次优性能。在本文中，我们提出修改TGNN的无监督学习，用基于重要性的负采样替换均匀负采样。我们从理论上激励并定义了用于采样负例的动态计算分布。最后，通过在三个真实世界数据集上的实证评估，我们表明使用基于所提出的负采样的损失训练的TGNN提供了持续优越的性能。
引用
@article{arxiv.2402.09239,
title = {Robust Training of Temporal GNNs using Nearest Neighbours based Hard Negatives},
author = {Shubham Gupta and Srikanta Bedathur},
journal= {arXiv preprint arXiv:2402.09239},
year = {2024}
}
备注
10 pages