用于预测网络数据中动态不确定观点的深度学习
机器学习
2019-10-15 v1 机器学习
摘要
主观逻辑(Subjective Logic, SL)是著名的信念模型之一，能够显式处理不确定观点并基于丰富的融合多观点算子集推断未知观点。由于高度简单性和适用性，SL 已大量应用于网络安全、观点模型、信任模型和/或社交网络分析等领域的多种决策中。然而，SL 及其变体在预测真实世界动态网络数据中的不确定观点方面暴露出三个方面的局限：(1) 缺乏处理大规模网络的可扩展性；(2) 处理节点级观点间异构拓扑与时间依赖关系的能力有限；(3) 对冲突证据高度敏感，可能由证据产生反直觉观点。本工作中，我们提出了一种新颖的基于深度学习(DL)的动态观点推断模型，同时节点级观点仍基于 SL 形式化，即一个观点在二项观点(即同意或不同意)中除信任与不信任外还具有不确定性维度。所提出的基于 DL 的动态观点推断模型通过集成以下技术克服了上述三个局限：(1) 最先进的 DL 技术，如用于建模给定动态网络拓扑与时间异构依赖信息的图卷积网络(Graph Convolutional Network, GCN)和门控循环单元(Gated Recurrent Units, GRU)；(2) 基于稳健统计的冲突观点建模；以及 (3) 以线性计算时间预测动态不确定观点的高度可扩展推断算法。我们基于四个真实世界数据集通过广泛的比较性能分析验证了我们提出的基于 DL 的算法(即 GCN-GRU-opinion 模型)的优越性。
引用
@article{arxiv.1910.05640,
title = {Deep Learning for Predicting Dynamic Uncertain Opinions in Network Data},
author = {Xujiang Zhao and Feng Chen and Jin-Hee Cho},
journal= {arXiv preprint arXiv:1910.05640},
year = {2019}
}
备注
IEEE Bigdata 2018