An OOD Multi-Task Perspective for Link Prediction with New Relation Types and Nodes

要約

(離散的な) 属性付きマルチグラフにおける帰納的リンク予測のタスクは、新しいテスト マルチグラフ内のノード間に欠落している属性付きリンク (関係) を推論します。
従来のリレーショナル学習手法は、トレーニングでは見られない新しいノードと新しい関係タイプの両方を含む OOD テスト マルチグラフへの限定的な一般化という課題に直面しています。
最近、Gao らは、すべての関係タイプが同じ構造予測パターンを共有する (単一タスク) という唯一の仮定の下で、
(2023) は、グラフ ニューラル ネットワーク (GNN) の設計に使用される (単一の) 交換可能性 (ノードのみ) とは対照的に、二重交換可能性 (ノードと関係タイプ用) の理論的概念を使用した OOD リンク予測方法を提案しました。
この研究では、二重交換可能性の概念をマルチタスク二重交換可能性までさらに拡張し、さまざまな関係タイプのセット (複数タスク) に対して個別で潜在的に矛盾する予測パターンを持つことができる属性付きマルチグラフのリンク予測を定義します。
実世界のデータセットに関する実証結果は、追加情報にアクセスすることなく、テストでまったく新しい関係タイプに効果的に一般化できるアプローチがあり、既存の方法に比べてパフォーマンスが大幅に向上することを示しています。

要約(オリジナル)

The task of inductive link prediction in (discrete) attributed multigraphs infers missing attributed links (relations) between nodes in new test multigraphs. Traditional relational learning methods face the challenge of limited generalization to OOD test multigraphs containing both novel nodes and novel relation types not seen in training. Recently, under the only assumption that all relation types share the same structural predictive patterns (single task), Gao et al. (2023) proposed an OOD link prediction method using the theoretical concept of double exchangeability (for nodes & relation types), in contrast to the (single) exchangeability (only for nodes) used to design Graph Neural Networks (GNNs). In this work we further extend the double exchangeability concept to multi-task double exchangeability, where we define link prediction in attributed multigraphs that can have distinct and potentially conflicting predictive patterns for different sets of relation types (multiple tasks). Our empirical results on real-world datasets demonstrate that our approach can effectively generalize to entirely new relation types in test, without access to additional information, yielding significant performance improvements over existing methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google