面向最优作物产量预测的 GCN 图稀疏化
机器学习
2023-06-05 v1
摘要
在农学中，以田块/县为粒度预测作物产量对农民降低不确定性并为下一轮作物周期规划播种十分重要。尽管最先进的预测技术采用图卷积网络（GCN）根据相关特征与往年作物产量预测未来产量，但稠密底层图核需要较长的训练与执行时间。本文提出一种基于 Fiedler 数（Fiedler number）的图稀疏化方法，从完全图核中移除边，以降低 GCN 训练/执行的复杂度。具体而言，我们首先表明，贪心地每次移除引起第二特征值最小变化的边，可得到具有良好 GCN 性能的稀疏图。随后我们提出一种基于特征值扰动定理的快速方法，以每轮迭代选择待移除的边。实验表明，在作物产量预测中，与其他图稀疏化方案相比，我们基于 Fiedler 数的方法生成的稀疏图具有良好的 GCN 性能。
引用
@article{arxiv.2306.01725,
title = {Graph Sparsification for GCN Towards Optimal Crop Yield Predictions},
author = {Saghar Bagheri and Gene Cheung and Tim Eadie},
journal= {arXiv preprint arXiv:2306.01725},
year = {2023}
}