GOPHER：基于局部连续时间动力学利用图结构进行类别概率预测
机器学习
2021-12-21 v1 动力系统
摘要
我们考虑具有图结构的类别上的概率预测问题，其中顶点处的动力学依赖于其局部连接结构。我们提出 GOPHER，一种将图神经网络的归纳偏置与神经 ODE 相结合以捕捉我们概率预测内在局部连续时间动力学的方法。我们通过与有助于分离各自收益的基线模型比较来研究这两种归纳偏置的益处。我们发现捕捉图结构对于准确的域内概率预测与更具采样效率的模型至关重要。令人惊讶的是，尽管连续时间演化归纳偏置反映了真实概率动力学，我们的实验表明其几乎未带来任何益处。
引用
@article{arxiv.2112.09964,
title = {GOPHER: Categorical probabilistic forecasting with graph structure via local continuous-time dynamics},
author = {Ke Alexander Wang and Danielle Maddix and Yuyang Wang},
journal= {arXiv preprint arXiv:2112.09964},
year = {2021}
}
备注
NeurIPS 2021 Workshop ICBINB Spotlight