arXiv cs.AI· Joo Young Park, Sejun Park, Hyunwoo Park·· 2 天前AI 评分22
STAMP：面向时间切分图域适应的对称时间平均消息传递
STAMP: Symmetric Temporal Averaging Message Passing for Domain Adaptation in Chronologically Split Graphs
AI 导读
针对时间切分图下的域适应问题，研究者提出对称时间平均消息传递算子 STAMP，用跨时间戳平衡的消息传播替代标准邻域聚合，强制时间域间一阶矩不变。其异构变体 STAMP-mag 在 ogbn-mag 上取得 SOTA，STAMP 在 ogbn-arxiv 上取得 SOTA，并在时间切分 Pokec 上持续提升原数据集 SOTA 模型的表现。
正文 · AI 翻译
摘要：本文研究按时间顺序划分下图结构数据的域适应问题。我们考虑直推式半监督节点分类（SSNC），即利用历史节点的标签来预测较新节点的标签。图连接中的时间依赖性会引发跨时间的分布偏移，往往降低在过往节点上训练的模型性能。尽管具有实际意义，按时间顺序划分图下的域适应研究仍相对不足。我们提出对称时间平均消息传递（STAMP），一种时间戳平衡算子，用时间对齐的传播替代标准的邻域聚合。我们将其针对异质 ogbn-mag 数据集的专用变体称为 STAMP-mag，而 STAMP 则保留给一般形式。通过在各时间戳之间平衡消息，STAMP 强制实现跨时间域的一阶矩不变性，同时保持可扩展性和易于实现。与许多假设难以在图上验证的现有域适应方法不同，STAMP 依赖于透明、实际可检验的条件，并得到理论分析的支持。在实证上，STAMP 和 STAMP-mag 在所有评估的时间图基准上均提升了准确率。STAMP 在 ogbn-arxiv 上达到最先进性能，而 STAMP-mag 在 ogbn-mag 上达到最先进性能。对于尚无既定基准的时间划分 Pokec，将 STAMP 应用于原数据集的最先进模型，在我们按时间顺序划分下持续提升性能。这些结果表明，时间戳平衡传播是缓解图学习中时间分布偏移的一种有效且实用的方法。
| 评论： | 25 页（不含附录），34 页（含附录），9 幅图 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；机器学习（stat.ML） |
| 引用为： | arXiv:2411.10957 [cs.LG] |
| （或 arXiv:2411.10957v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2411.10957 arXiv 颁发的 DOI，通过 DataCite |
提交历史
来自：Joo Young Park [查看电子邮件]
[v1]
2024年11月17日星期日 04:23:25 UTC（1,941 KB）
[v2]
2026年10月14日星期三 03:57:22 UTC（1,815 KB）
来源：arXiv cs.AI · arxiv.org