解决图上的负迁移
内容提要
该文综述图迁移学习进展，提出负迁移定义及对抗过滤方法，设计GRADE图自适应网络，引入知识迁移图与门控机制，构建时空图网络缓解交通数据稀缺，采用自监督对比学习提升异构图分析，探索稀疏链路预测与彩票票假设，并系统梳理负迁移影响因素及缓解策略。
延伸解读
负迁移的定义与影响
文章指出，负迁移是指源数据对目标任务产生负面影响的现象。其影响因素包括领域相似度、迁移距离等。系统调查涵盖了安全迁移、领域相似度估计、远距离迁移和负迁移减缓四个方面，并探讨了在多任务学习、终身学习和对抗攻击等相关领域中的负迁移问题。
缓解负迁移的技术路线
为应对负迁移，文章介绍了多种技术：通过对抗网络过滤无关源数据；GRADE图自适应网络衡量图分布偏移以导出泛化误差界限；基于图的知识迁移方法引入知识迁移图和门函数控制梯度；以及结构感知的硬负样本挖掘对比学习。这些方法在节点分类、推荐等任务中验证了有效性。
应用场景与实验验证
文章中的方法在多个场景得到验证：交通预测中构建时空图神经网络缓解数据稀缺；异构图分析中通过自监督对比学习提升少量标记数据下的准确性；稀疏链路预测中采用GITL框架的MLP模型；以及彩票票假设下通过对抗鲁棒性子网络提升迁移能力。实验覆盖CIFAR、Tiny-ImageNet和真实交通数据集等。
Q&A
什么是负迁移？在图迁移学习中如何定义？
负迁移是指在迁移学习中，源数据对目标任务产生负面影响的现象。文章提出了负迁移的正式定义，并指出其影响因素包括领域相似度、安全迁移等。
有哪些方法可以缓解图迁移学习中的负迁移问题？
文章提到的方法包括：通过对抗网络过滤无关源数据、设计GRADE图自适应网络衡量图分布偏移、引入知识迁移图和门控机制控制梯度、构建时空图神经网络结合基于模式的迁移策略、使用自监督对比学习提升异构图分析、以及基于自适应子图生成的对比学习框架等。
GRADE图自适应网络是如何解决跨网络迁移学习问题的？
GRADE通过衡量源图和目标图之间的图分布偏移来导出跨网络学习的泛化误差界限，从而解决跨网络迁移学习问题，并在跨网络节点分类和跨域推荐任务中得到了验证。
在交通预测中，如何利用迁移学习解决数据稀缺问题？
文章提出了一种新颖的迁移学习方法，通过构建空间-时间图神经网络和基于模式的迁移策略来捕捉不同道路网络的节点特定的空间-时间流量模式，并在真实数据集上验证了其有效性。
自监督对比学习如何提升异构图分析的准确性？
文章通过结构感知的硬负样本挖掘方案提出了一个基于自监督学习的对比学习方法，可以在少量标记数据的情况下提高异构图分析模型的准确性，并通过三个真实数据集的实证研究验证了其有效性。
彩票票假设在迁移学习中有哪些新进展？
文章提出了一种新的迁移学习管道，通过具有适当诱导的对抗鲁棒性的子网络来实现更好的迁移能力，从而在各种下游任务和稀疏性模式中实现增强的准确性和稀疏性-精度权衡，进一步丰富了彩票票假设。
