a-TMFG：基于近似最近邻的可扩展三角化最大过滤图
机器学习
2026-03-11 v1 机器学习
摘要
传统的三角化最大过滤图（TMFG）构建需要预计算和存储密集相关矩阵，这限制了其在小型和中型数据集上的适用性。本文识别了在大规模数据集中使用 TMFG 时的关键内存与运行时复杂度挑战。随后，我们提出近似三角化最大过滤图（a-TMFG）算法。这一方法以 k-最近邻图（kNNG）进行初始构建，实现一种内存管理策略，以动态搜索和估计缺失相关性。该方法提供了控制组合爆炸的表征。算法对参数和噪声的鲁棒性进行了测试，并在拥有数百万观测值的数据集上进行了评估。这一新方法为在无自然图存在的用例中构建图提供了一种简洁的方式，这些图常被用作监督学习和无监督学习的输入。
引用
@article{arxiv.2603.09564,
title = {a-TMFG: Scalable Triangulated Maximally Filtered Graphs via Approximate Nearest Neighbors},
author = {Lionel Yelibi},
journal= {arXiv preprint arXiv:2603.09564},
year = {2026}
}