属性图上的深度贝叶斯优化
机器学习
2019-06-03 v1 机器学习
摘要
属性图不仅包含网络结构，还蕴含丰富的上下文特征，其无处不在，且已被观察到有助于多种网络分析应用。图结构优化旨在根据特定度量寻找最优图，已成为复杂网络分析中的有效计算工具。然而，传统的无模型方法在图评估上计算代价高昂；现有的向量化贝叶斯优化方法无法直接应用于属性图，并且由于使用高斯过程（GPs）而存在可扩展性问题。为弥补这一差距，本文提出一种新颖的可扩展深度图贝叶斯优化（DGBO）方法，用于属性图上的优化。所提出的 DGBO 通过采用深度图神经网络替代黑盒函数，避免了 GPs 的立方复杂度，并且可随观测数量线性扩展。我们在人工和真实世界问题（包括分子发现和城市道路网络设计）上进行了大量实验，结果表明与最先进方法相比，DGBO 具有有效性。
引用
@article{arxiv.1905.13403,
title = {Deep Bayesian Optimization on Attributed Graphs},
author = {Jiaxu Cui and Bo Yang and Xia Hu},
journal= {arXiv preprint arXiv:1905.13403},
year = {2019}
}
备注
Published in the Thirty-Third AAAI Conference on Artificial Intelligence (AAAI-19)