SPARC：解决图学习冷启动问题的谱系架构
机器学习
2025-02-19 v2 机器学习
摘要
图在建模数据中的复杂关系方面发挥着核心作用，但大多数图学习方法在面对冷启动节点——即缺乏初始连接的新节点——时会失效，由于其对邻接信息的依赖。在此基础上，我们提出SPARC，一个革命性的框架，通过利用可泛化的谱嵌入来引入图学习的新方法。SPARC通过一种简单而强大的增强，使现有SOTA方法能够有效地对冷启动节点进行预测。通过消除推理阶段对邻接信息的需求，并有效捕获图的结构，使这些方法适用于新节点频繁出现的实际场景。实验结果表明，在节点分类、节点聚类和链接预测等任务上，SPARC在冷启动节点上优于现有模型。SPARC为图学习领域解决了冷启动问题，推动了该领域的发展。
引用
@article{arxiv.2411.01532,
title = {SPARC: Spectral Architectures Tackling the Cold-Start Problem in Graph Learning},
author = {Yahel Jacobs and Reut Dayan and Uri Shaham},
journal= {arXiv preprint arXiv:2411.01532},
year = {2025}
}