面向事件序列数据的 Auto-ML 图神经网络超模型
机器学习
2025-11-25 v1
摘要
本文引入 HGNN(O)，一种用于事件序列数据结果预测的 AutoML 图神经网络超模型框架。基于我们先前的图卷积网络超模型工作，HGNN(O) 将四种架构——单层、双层、双层伪嵌入和双层嵌入——扩展至六种标准图神经网络算子。基于贝叶斯优化的自调节机制，结合剪枝和提前停止，实现对架构和超参数的高效适应，无需手动配置。在平衡和不平衡事件日志上的经验评估显示，HGNN(O) 在 Traffic Fines 数据集上实现超过0.98的准确率，在 Patients 数据集上实现最高达0.86的加权 F1 分数，无需显式处理不平衡问题。这些结果表明，所提出的 AutoML-GNN 方法为处理复杂事件序列数据的结果预测提供了稳健且通用的基准。
引用
@article{arxiv.2511.18835,
title = {Auto-ML Graph Neural Network Hypermodels for Outcome Prediction in Event-Sequence Data},
author = {Fang Wang and Lance Kosca and Adrienne Kosca and Marko Gacesa and Ernesto Damiani},
journal= {arXiv preprint arXiv:2511.18835},
year = {2025}
}
备注
6 pages