基于高维图卷积回归模型的迁移学习节点分类
机器学习
2024-05-28 v1 机器学习
统计方法学
摘要
节点分类是基础任务之一，但在许多实际场景中获取节点分类标签可能具有挑战性和高昂的成本。迁移学习已然成为解决这一挑战的有前景的方案，通过利用源域的知识来增强目标域中的学习。现有的针对节点分类的迁移学习方法主要专注于将图卷积网络（GCN）与各种迁移学习技术相结合。尽管这些方法显示出有前景的结果，但往往 suffer于缺乏理论保证、限制性条件以及对超参数选择的高度敏感性。为克服这些局限性，我们提出了图卷积多项子逻辑回归（GCR）模型及其迁移学习方法，称为 Trans-GCR。我们在高维设置下对GCR模型所获得的估计提供了理论保证。此外，Trans-GCR 在实际表现方面表现出优越性，计算成本低，且需要的超参数数量少于现有方法。
引用
@article{arxiv.2405.16672,
title = {Transfer Learning Under High-Dimensional Graph Convolutional Regression Model for Node Classification},
author = {Jiachen Chen and Danyang Huang and Liyuan Wang and Kathryn L. Lunetta and Debarghya Mukherjee and Huimin Cheng},
journal= {arXiv preprint arXiv:2405.16672},
year = {2024}
}