A Transfer Learning Framework for Multilayer Networks via Model Averaging
通过模型平均实现多层网络迁移学习的框架AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究多层网络的链接预测，以及辅助网络层之间的信息迁移。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
通过模型平均实现多层网络迁移学习的框架
- 研究问题
- 研究如何在缺乏共享结构先验、且不共享辅助层原始数据的情况下，利用多层网络信息改善链接预测。
- 方法与思路
- 作者提出双层模型平均，以基于边的 K 折交叉验证为层间和层内候选模型赋权，支持跨服务器并行。
- 材料陈述的贡献
- 摘要称证明了特定条件下的最优性与权重收敛，模拟显示预测和稳健性改善，并展示推荐系统应用。
- 阅读关注点
- 应核对最优性的比较对象、权重收敛条件及网络边的交叉验证划分，并检查跨层传递的信息和隐私含义。
- 阅读边界
- 所给摘要来自 arXiv v1 预印本，不能据此声称已同行评审或期刊接收；具体条件、优势幅度及刊本变化未说明。
原文摘要
Link prediction in multilayer networks is a key challenge in applications such as recommendation systems and protein-protein interaction prediction. While many techniques have been developed, most rely on assumptions about shared structures and require access to raw auxiliary data, limiting their practicality. To address these issues, we propose a novel transfer learning framework for multilayer networks using a bi-level model averaging method. A $K$-fold cross-validation criterion based on edges is used to automatically weight inter-layer and intra-layer candidate models. This enables the transfer of information from auxiliary layers while mitigating model uncertainty, even without prior knowledge of shared structures. Theoretically, we prove the optimality and weight convergence of our method under mild conditions. Computationally, our framework is efficient and privacy-preserving, as it avoids raw data sharing and supports parallel processing across multiple servers. Simulations show our method outperforms others in predictive accuracy and robustness. We further demonstrate its practical value through two real-world recommendation system applications.