基于多视图稀疏低秩块模型的共识知识图学习
机器学习
2024-10-07 v2 机器学习
摘要
网络分析一直是揭示大量对象间关系与交互的有力工具。然而，随着网络规模快速增长、数据以前所未有的粒度与规模被收集，其在准确识别重要节点-节点交互方面的有效性受到挑战。克服此种高维性的常见思路是将节点归并为更小的组，并在组级别进行连通性分析。将工作分为两个阶段不可避免地造成一致性上的鸿沟并降低效率。在具备多数据源的情况下，共识学习已成为共性知识发现的新常态。本文提出一个统一的多视图稀疏低秩块模型(msLBM)框架，通过结合多数据源实现同步分组与连通性分析。msLBM 框架高效表示大规模概念间的重叠信息，并适应跨数据源的不同类型异质性。在分析来自多个卫生系统的高维电子健康记录(EHR)数据集时，这两项特性均为所需。我们提出了一种基于交替最小化算法的估计过程。理论结果表明，利用多源数据集可更准确地学习共识知识图，且在温和条件下可达到统计最优速率。对真实世界 EHR 数据的应用表明，我们所提 msLBM 算法通过有效结合来自多个卫生系统的汇总级 EHR 数据，能更可靠地揭示临床概念间的网络结构。
引用
@article{arxiv.2209.13762,
title = {Consensus Knowledge Graph Learning via Multi-view Sparse Low Rank Block Model},
author = {Tianxi Cai and Dong Xia and Luwan Zhang and Doudou Zhou},
journal= {arXiv preprint arXiv:2209.13762},
year = {2024}
}