异质图中通过知识迁移网络的零样本迁移学习
机器学习
2022-10-14 v4
摘要
从社交或电商等工业生态系统中持续产生的数据通常表示为由多种节点/边类型组成的异质图（HG）。被称为异质图神经网络（HGNN）的先进图学习方法被用于学习深度上下文感知的节点表示。然而，工业应用中的许多 HG 数据集存在节点类型间标签不平衡的问题。由于无法直接利用根植于不同节点类型的标签进行学习，HGNN 仅被应用于少数具有充足标签的节点类型。我们提出一种用于 HGNN 的零样本迁移学习模块，称为知识迁移网络（KTN），它通过 HG 中给出的丰富关系信息，将知识从标签充足的节点类型迁移到零标签节点类型。KTN 源于我们在本工作中引入的、HGNN 模型中各节点类型不同特征提取器之间的理论关系。KTN 在零标签节点类型推理上使 6 种不同 HGNN 模型的性能提升高达 960%，并在 18 项不同的 HG 迁移学习任务上比最先进的迁移学习基线高出至多 73%。
引用
@article{arxiv.2203.02018,
title = {Zero-shot Transfer Learning within a Heterogeneous Graph via Knowledge Transfer Networks},
author = {Minji Yoon and John Palowitch and Dustin Zelle and Ziniu Hu and Ruslan Salakhutdinov and Bryan Perozzi},
journal= {arXiv preprint arXiv:2203.02018},
year = {2022}
}