引言链接预测的目的是能够从图中学习并推测出新的或者未知的关系。比如说，从社交网络方面，通过链接预测构建一个朋友推荐系统，从生物网络方面，通过链接预测推断出药物、蛋白质和疾病直接的关系。但是这些工作只聚焦于单一的问题设置：链接预测都用于一个单一的大图，并且这个图中的关系完整，至少有50%的真实链接（边）可以在训练阶段被看到。本篇文章要做是基于小样本链接预测这么一个更有挑战性的设定，目标是在多个只包含一小部分真实、潜在的边的图中进行链接预测。比如说，在生物网络方面，高通量的原子提供了评估上千个来自不同组织、
引言
链接预测的目的是能够从图中学习并推测出新的或者未知的关系。比如说，从社交网络方面，通过链接预测构建一个朋友推荐系统，从生物网络方面，通过链接预测推断出药物、蛋白质和疾病直接的关系。但是这些工作只聚焦于单一的问题设置：链接预测都用于一个单一的大图，并且这个图中的关系完整，至少有50%的真实链接（边）可以在训练阶段被看到。
本篇文章要做是基于小样本链接预测这么一个更有挑战性的设定，目标是在多个只包含一小部分真实、潜在的边的图中进行链接预测。比如说，在生物网络方面，高通量的原子提供了评估上千个来自不同组织、细胞类型、器官的生物原子的可能性。但是也存在一些用于评估关系的图，它们的图结构存在较大的噪声和稀疏情况，这时候就存在这么一种情况，对于一些稀疏图的链接预测可能得益于其他更加密集的图的知识迁移方法，假设这些图之间，有着相似的可利用结构。
小样本链接预测的最终目标是通过观察一个特殊领域的许多例图，然后利用得到的经验对同一个领域内但是完全崭新的另一个稀疏图进行链接预测时，能够达到快速适应和高准确率的能力。
目前的工作
引进了一种新的元图结构，并且暂定了一系列任务的全局基准。采用了经典的基于梯度的元学习方法，将小样本分类方法用于图领域。
前提和问题定义
我们可以从图中得到一个分布 p ( G ) p(G) p(G)，然后对图进行取样，使 G i ∼ p ( G ) G_i\sim p(G) Gi∼p(G)，其中 G i = （ V i ， ξ i ， X i ） G_i=（V_i，\xi_i，X_i） Gi=（Vi，ξi，Xi）由图的一系列节点 V i V_i Vi，边 ξ i \xi_i ξi和真实的节点特征矩阵
最低0.47元/天 解锁文章
504
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
