GAIS：基于图注意力网络的实例选择新方法
机器学习
2024-12-30 v1
摘要
实例选择（IS）是机器学习中的关键技术，旨在保持模型性能的同时减少数据集大小。本文介绍了一种新方法，称为基于图注意力网络的实例选择（GAIS），该方法利用图注意力网络（GATs）来识别数据集中最具信息性的实例。GAIS将数据表示为图，并使用GATs来学习节点表示，从而捕捉实例之间的复杂关系。该方法以块处理数据，应用随机遮蔽和相似性阈值进行图构建，并根据训练后的GAT模型的置信度分数选择实例。在13个多样化数据集上的实验表明，GAIS在有效性方面 consistently 优于传统IS方法，实现了高达平均96%的降低率，同时保持或提高模型性能。尽管GAIS在计算成本上略高，但其在显著减少训练数据的情况下保持准确性的卓越性能使其成为图基数据选择的有前景的方法。
引用
@article{arxiv.2412.19201,
title = {GAIS: A Novel Approach to Instance Selection with Graph Attention Networks},
author = {Zahiriddin Rustamov and Ayham Zaitouny and Rafat Damseh and Nazar Zaki},
journal= {arXiv preprint arXiv:2412.19201},
year = {2024}
}
备注
Accepted at ICKG 2024. Code is available at https://github.com/zahiriddin-rustamov/gais