Meta-Graph — это нейросетевая модель для предсказания связей в графах на основе пары примеров. Кроме архитектуры модели, исследователи публикуют бенчмарки, на которых тестировали модель.
Цель Meta-Graph заключается в том, что бы восстановить связи в графах, которые содержат только маленькую часть реальных связей. При этом предполагается, что графы — из одной области и представляют одно и то же. Примером применения таких моделей является биологическая задача построения сетей взаимодействия разных видов клеток или организмов. Оцененные взаимодействия могут быть шумными и разреженными. Это требует наличие обучаемого алгоритма, которые мог бы переносить знания между графами одного типа. Схожие задачи могут решаться и в e-commerce, и в анализе социальных сетей.
Архитектура нейросети
Meta-Graph основывается на графовой нейронной сети VGAE. Ключевая идея подхода заключается в том, что модель использует мета-обучение, основанное на градиентах, для оптимизации общих глобальных параметров графов. Глобальные параметры используются для инициализации параметров модели предсказания связей VGAE. Одновременно модель выучивает функцию сигнатуры графа (graph signature function), которая представляет граф в виде вектора и используется для модулирования параметров VGAE.
Оценка работы подхода
Чтобы протестировать модель, исследователи разработали 3 датасета. Все датасеты содержат графы из одной области. MetaGraph сходится к лучшему решению в большинстве задач в сравнении с state-of-the-art методами для few-shot предсказания связей. В среднем модель улучшает AUC на 5.3%.
