用于稀疏图中链接预测的矩阵分解与自编码器的 Dropout 训练
机器学习
2015-12-15 v1
摘要
矩阵分解（MF）和自编码器（AE）是无监督学习中最成功的方法之一。虽然基于 MF 的模型在图建模和链接预测文献中已被广泛利用，但 AE 系列并未获得太多关注。在本文中，我们研究了 MF 和 AE 在稀疏图中链接预测问题的应用。我们从多视图学习的角度展示了 AE 和 MF 之间的联系，并进一步提出了 MF+AE：一个以共享参数联合训练 MF 和 AE 的模型。我们将 dropout 应用于 MF 和 AE 两部分的训练，并表明它可以通过充当自适应正则化来显著防止过拟合。我们在六个真实世界的稀疏图数据集上进行了实验，并表明 MF+AE 始终优于竞争方法，特别是在展现出强非内聚结构的数据集上。
引用
@article{arxiv.1512.04483,
title = {Dropout Training of Matrix Factorization and Autoencoder for Link Prediction in Sparse Graphs},
author = {Shuangfei Zhai and Zhongfei Zhang},
journal= {arXiv preprint arXiv:1512.04483},
year = {2015}
}
备注
Published in SDM 2015