Aprendizaje por Transferencia Bajo un Modelo de Regresión Convolucional de Grafo de Alta Dimensión para Clasificación de Nodos

La clasificación de nodos es una tarea fundamental, pero obtener etiquetas de clasificación de nodos puede ser un desafío y costoso en muchos escenarios del mundo real. El aprendizaje por transferencia ha surgido como una solución prometedora para abordar este desafío aprovechando el conocimiento de dominios fuente para mejorar el aprendizaje en un dominio objetivo. Los métodos existentes de aprendizaje por transferencia para la clasificación de nodos se centran principalmente en integrar Redes Neuronales Convolucionales de Grafo (GCNs) con varias técnicas de aprendizaje por transferencia. Si bien estos enfoques han mostrado resultados prometedores, a menudo sufren de falta de garantías teóricas, condiciones restrictivas y alta sensibilidad a las elecciones de hiperparámetros. Para superar estas limitaciones, proponemos un modelo de Regresión Logística Multinomial Convolucional de Grafo (GCR) y un método de aprendizaje por transferencia basado en el modelo GCR, llamado Trans-GCR. Proporcionamos garantías teóricas de la estimación obtenida bajo el modelo GCR en configuraciones de alta dimensión. Además, Trans-GCR demuestra un rendimiento empírico superior, tiene un bajo costo computacional y requiere menos hiperparámetros que los métodos existentes.