同构类在多关系数据集中的作用
机器学习
2020-10-01 v1 社会与信息网络
物理与社会
机器学习
摘要
从胶体悬浮液到基因调控回路，多相互作用系统广泛存在于自然界中。这些系统可产生复杂动力学，图神经网络已被提出作为一种提取底层相互作用并预测系统演化方法。然而，当前通过使用合成多关系数据集对这些模型进行训练与评估的流程忽略了相互作用网络同构类，而同构类在给定初始条件下会产生相同的动力学。我们广泛分析了同构类感知如何影响这些模型，重点关注神经关系推断(NRI)模型，该模型独特之处在于在无监督设定下显式推断相互作用以预测动力学。具体而言，我们证明同构泄漏会高估多关系推断中的性能，且多相互作用网络生成过程中存在的采样偏差会损害泛化能力。为此，我们提出用于模型评估的同构感知合成基准。我们利用这些基准测试泛化能力，并证明存在同构类成功学习的阈值采样频率。此外，我们证明可通过简单的优先级方案利用同构类来提升模型性能、训练稳定性并减少训练时间。
引用
@article{arxiv.2009.14593,
title = {The Role of Isomorphism Classes in Multi-Relational Datasets},
author = {Vijja Wichitwechkarn and Ben Day and Cristian Bodnar and Matthew Wales and Pietro Liò},
journal= {arXiv preprint arXiv:2009.14593},
year = {2020}
}
备注
7 pages main text, 1 page of references and an ethics statement, 3 pages of appendices