基于知识蒸馏的子图学习用于时空预测
机器学习
2022-11-18 v1
摘要
研究大型图中交互的挑战之一在于学习其多样化模式与各类交互类型。因此，若仅考虑单一分布与模型来研究所有节点而忽略其多样性及邻域局部特征，可能严重影响整体性能。基于图中节点的结构信息及其间交互，可将主图划分为多个子图。这种图划分可极大影响学习过程，但整体性能高度依赖于聚类方法以避免误导模型。在本工作中，我们提出一种称为 KD-SGL 的新框架来有效学习子图，其中我们定义一个全局模型学习图的整体结构，并为每个子图定义多个局部模型。我们在公开数据集上评估了所提框架的性能。基于所得结果，它能以低于集成模型的复杂度改善最先进时空模型的性能，并取得可比结果。
引用
@article{arxiv.2211.09740,
title = {Sub-Graph Learning for Spatiotemporal Forecasting via Knowledge Distillation},
author = {Mehrtash Mehrabi and Yingxue Zhang},
journal= {arXiv preprint arXiv:2211.09740},
year = {2022}
}