用于关系推断的图动力学先验
机器学习
2023-12-21 v2 机器学习
摘要
关系推断旨在从观测到的动力学中识别动力系统各部分之间的相互作用。当前最先进的方法在可学习图上使用图神经网络（GNN）拟合动力学。它们使用一步消息传递GNN——直观上是正确的选择，因为多步或谱GNN的非局部性可能混淆直接与间接相互作用。但有效相互作用图依赖于采样率，且很少局限于直接邻居，导致一步模型陷入糟糕的局部最优。在这项工作中，我们提出了一种用于关系推断的图动力学先验（GDP）。GDP建设性地利用非局部多项式滤波器中的误差放大，将解引导至真实图。为处理非唯一性，GDP同时拟合一个“浅”一步模型和一个具有共享图拓扑的多项式多步模型。实验表明，GDP比早期方法更准确地重建图，并对欠采样具有显著的鲁棒性。由于未知动力系统的适当采样率无法先验得知，这种鲁棒性使GDP适用于科学机器学习中的实际应用。可复现代码见 https://github.com/DaDaCheng/GDP。
引用
@article{arxiv.2306.06041,
title = {A Graph Dynamics Prior for Relational Inference},
author = {Liming Pan and Cheng Shi and Ivan Dokmanić},
journal= {arXiv preprint arXiv:2306.06041},
year = {2023}
}