面向在线图结构稀疏性的对偶平均方法

在线学习算法每次迭代通过一个样本更新模型，因此可高效处理大规模数据集，并有助于在社会效益方面检测恶意事件，如疾病爆发和实时交通拥堵。然而，现有的图结构模型算法聚焦于离线设置和最小二乘损失，无法用于在线设置，而为在线设置设计的方法不能直接应用于复杂（通常非凸）图结构稀疏性模型问题。为克服这些局限，本文我们提出一种用于在线设置下图结构稀疏性约束问题的新算法，称之为\textsc{GraphDA}。\textsc{GraphDA}的关键部分是将平均梯度（对偶空间）和原始变量（原始空间）均投影到低维子空间，从而有效捕捉图结构稀疏性。此外，此处假设的目標函数一般为凸，以处理在线学习设置下的不同损失。据我们所知，\textsc{GraphDA}是首个用于图结构约束优化问题的在线学习算法。为验证我们的方法，我们在基准图和真实世界图数据集上进行了广泛实验。实验结果表明，与其他基线方法相比，\textsc{GraphDA}不仅提升了分类性能，还更高效地成功捕捉图结构特征，从而具有更强的可解释性。