你只迁移所共享的：用于链接预测的交集诱导图迁移学习
机器学习
2023-06-21 v2 人工智能
社会与信息网络
摘要
链接预测是许多现实应用的核心，但当目标图稀疏时，其性能可能会受到阻碍。为了缓解稀疏性带来的问题，我们研究了一个此前被忽视的现象：在许多情况下，可以为原始图找到一个密集连接的互补图。较密集的图可能与原始图共享节点，这为迁移选择性、有意义的知识提供了天然桥梁。我们将此设定识别为图交集诱导迁移学习（GITL），其动机源于电子商务或学术合著预测中的实际应用。我们开发了一个框架以有效利用此设定中的结构先验。我们首先使用两个图之间的共享节点创建一个交集子图，然后将知识从源丰富的交集子图迁移到完整目标图。在第二步中，我们考虑两种方法：修改后的标签传播，以及师生机制下的多层感知机（MLP）模型。在专有电子商务数据集和开源引文图上的实验结果表明，所提出的工作流优于未明确利用交集结构的现有迁移学习基线。
引用
@article{arxiv.2302.14189,
title = {You Only Transfer What You Share: Intersection-Induced Graph Transfer Learning for Link Prediction},
author = {Wenqing Zheng and Edward W Huang and Nikhil Rao and Zhangyang Wang and Karthik Subbian},
journal= {arXiv preprint arXiv:2302.14189},
year = {2023}
}
备注
Accepted in TMLR (https://openreview.net/forum?id=Nn71AdKyYH)