广义互反视角
机器学习
2022-10-24 v1
摘要
在许多领域中，现实世界的问题可以表示为网络。节点表示特定领域的元素，边捕捉元素之间的关系。借助高性能计算和优化的链接预测算法，越来越有可能评估所有节点对的可能组合，从而生成综合预测矩阵（CPM），该矩阵将单个链接预测分数置于涉及任一节点的所有可能链接的背景中（提供数据驱动的背景）。历史上，由于问题规模呈指数增长导致计算上不可行，这种背景信息一直被忽略；然而，我们证明，考虑到预测性能的改善，投入高性能计算资源来生成CPM是值得的。在这项工作中，我们针对所有成对链接预测任务推广了我们新颖的半监督机器学习方法，称为互反视角（RP）。我们证明，RP通过利用CPM中的丰富信息显著提高了链接预测准确性。从CPM中提取基于背景的特征用于堆叠分类器，并且我们证明在级联中应用RP几乎总是导致显著（p < 0.05）改善的预测。这些在RS型问题上的结果表明，RP适用于广泛的链接预测问题。
引用
@article{arxiv.2210.11616,
title = {Generalized Reciprocal Perspective},
author = {Kevin Dick and Daniel G. Kyrollos and James R. Green},
journal= {arXiv preprint arXiv:2210.11616},
year = {2022}
}