利用图网络与注意力网络学习表格数据中的样本间关系
机器学习
2023-06-13 v1 人工智能
摘要
传统机器学习假设表格数据中的样本独立同分布（i.i.d）。该假设可能遗漏表示学习中样本内与样本间关系的有用信息。本文首次放宽i.i.d假设，通过图神经网络（GNN）引入样本间关系来学习表格数据表示。我们使用多种GNN与最先进（SOTA）深度注意力模型，在十个表格数据集上学习样本间关系，并与传统机器学习方法比较，以验证我们的假设。GNN方法在特征-样本比大的表格数据上表现最佳。我们的结果显示，基于注意力的GNN方法在五个数据集上优于传统机器学习，在三个数据集上优于SOTA深度表格学习方法。通过GNN与深度注意力方法的样本间学习在十个数据集中的七个上取得了最佳分类准确率。这表明i.i.d假设对大多数表格数据集可能并非总是成立。
引用
@article{arxiv.2306.06772,
title = {Between-Sample Relationship in Learning Tabular Data Using Graph and Attention Networks},
author = {Shourav B. Rabbani and Manar D. Samad},
journal= {arXiv preprint arXiv:2306.06772},
year = {2023}
}
备注
Accepted to the 19th Int. Conf. on Data Science, Las Vegas, NV