GNNRank：通过有向图神经网络从成对比较中学习全局排序
机器学习
2022-07-20 v3 最优化与控制
机器学习
摘要
从成对比较中恢复全局排序具有从时间同步到体育团队排名的广泛应用。竞赛中对应于比赛的成对比较可被解释为有向图（digraph）中的边，其节点表示例如具有未知排名的竞争者。在本文中，我们通过提出所谓的 GNNRank（一种基于可训练 GNN 的带 digraph 嵌入的框架）将神经网络引入排序恢复问题。此外，设计了新的目标来编码排序颠倒/违反。该框架涉及一种排序分数估计方法，并通过展开由可学习相似度矩阵构造的图的 Fiedler 向量计算来添加归纳偏置。在大量数据集上的实验结果表明，我们的方法相对于基线取得了有竞争力且通常更优的性能，并展现出有前景的迁移能力。代码与预处理数据位于：\url{https://github.com/SherylHYX/GNNRank}。
引用
@article{arxiv.2202.00211,
title = {GNNRank: Learning Global Rankings from Pairwise Comparisons via Directed Graph Neural Networks},
author = {Yixuan He and Quan Gan and David Wipf and Gesine Reinert and Junchi Yan and Mihai Cucuringu},
journal= {arXiv preprint arXiv:2202.00211},
year = {2022}
}
备注
ICML 2022 spotlight; 32 pages (9 pages for main text)