图上的调整计数量化学习
机器学习
2026-01-01 v2
摘要
量化学习是预测一组实例标签分布的任务。我们在图结构数据的背景下研究此问题，其中实例为顶点。此前，该问题仅通过节点聚类方法解决。在本文中，我们将流行的调整分类与计数(ACC)方法扩展到图上。我们表明，ACC所依赖的先验概率偏移假设通常不适用于图量化问题。为了解决这一问题，我们提出了结构重要性采样(SIS)，这是第一种适用于(结构性)协变量偏移的图量化方法。此外，我们提出了邻域感知ACC，在非同配边存在的情况下改进了量化性能。我们在多个图量化任务上展示了我们技术的有效性。
引用
@article{arxiv.2503.09395,
title = {Adjusted Count Quantification Learning on Graphs},
author = {Clemens Damke and Eyke Hüllermeier},
journal= {arXiv preprint arXiv:2503.09395},
year = {2026}
}
备注
19 pages, presented at NeurIPS 2025