.png){kind=icon}
返回
Generative Causality-Driven Network for Graph Multi-Task Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/TPAMI.2025.3610096.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多任务学习（MTL）是机器学习中的一个标准学习范式。MTL的核心思想是通过捕获多个任务之间的共享知识，以缓解数据稀疏性问题，其中每个任务的标注样本量都非常有限。近期研究表明，图多任务学习（GMTL）相比之前的MTL方法取得了有前景的改进。GMTL在任务关系图上表示任务，并进一步利用图神经网络（GNNs）来学习复杂的任务关系。尽管GMTL实现了更好的性能，但任务关系图的构建高度依赖于简单的启发式技巧，这导致存在虚假的任务相关性，以及在具有强关联的任务之间缺少真实边。这个问题在很大程度上限制了GMTL的有效性。为此，我们提出了生成因果驱动网络（GCNet），一种新颖的框架，通过渐进式学习任务间的因果结构，来发现哪些任务对联合训练有益，以提升泛化能力和模型鲁棒性。具体而言，在特征空间中，GCNet首先引入一个特征级生成器来生成结构先验，以降低学习难度。随后，GCNet开发了一个输出级生成器，其参数化为一种新的因果能量基模型（EBM），通过因果驱动在输出空间中精炼学习到的结构先验。得益于我们提出的因果框架，我们理论上推导出一种干预对比估计，以高效训练该因果EBM。我们在多个合成和真实世界数据集上进行了实验。大量的实验结果和模型分析表明，GCNet在几个具有竞争力的MTL基准上表现更优。
Keyword:
Graph machine learning
graph multi-task learning
graph neural networks
期刊
IF:
18.6
论文数:
1.1K
被引数:
9.8W
机构
引用论文
ChEMBL: towards direct deposition of bioassay dataChEMBL: 走向生物测定数据的直接沉积.png)
NUCLEIC ACIDS RESEARCH
OAAI
NUCLEIC ACIDS RESEARCHIF13.1
OAAI分享收藏DeepInfProceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningOAAI
Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏Modeling Task Relationships in Multi-task Learning with Multi-gate Mixture-of-ExpertsProceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningOAAI
Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏
查看更多内容