图on模型下边连接概率估计的迁移学习
机器学习
2025-10-28 v2 统计理论
统计理论
摘要
图on模型为估计网络中的潜在连接概率提供了一个灵活的半参数框架，能够支持链接预测和数据增强等多种下游应用。然而，准确的图on估计通常需要一个大图，而在实践中通常只能观察到一个小规模网络。解决这个问题的一种方法是采用迁移学习框架，旨在通过利用更大、相关源图的结构信息来改进小目标图的估计。在本文中，我们提出了一种新方法，即 GTRANS，一个迁移学习框架，通过整合邻域平滑和 Gromov-Wasserstein 最优传输来对齐和传输图之间的结构模式。为了防止负迁移，GTRANS 包含一个自适应去偏机制，通过残差平滑来识别和纠正目标特定的偏差。我们提供了关于估计对齐矩阵稳定性的理论保证，并通过广泛的合成和真实数据实验证明了 GTRANS 在提高目标图估计准确性方面的有效性。这些改进直接转化为下游应用如图分类任务和链接预测任务的性能提升。
引用
@article{arxiv.2510.05527,
title = {Transfer Learning on Edge Connecting Probability Estimation under Graphon Model},
author = {Yuyao Wang and Yu-Hung Cheng and Debarghya Mukherjee and Huimin Cheng},
journal= {arXiv preprint arXiv:2510.05527},
year = {2025}
}