基于网络控制理论提高图机器学习性能的特征增强方法
机器学习
2024-05-08 v1
摘要
网络控制理论（NCT）提供了一种稳健的分析框架，用以理解网络拓扑对动态行为的影响，使研究人员能够破译哪些外部控制措施的模式可将系统动力学引导至所需状态。与其他结构-功能方法不同，NCT 的预测能力可与图神经网络（GNN）结合，后者在各种基于网络的学习任务中显示出卓越的实用性。然而，GNN 的性能高度依赖于节点特征的表达性，而缺乏节点特征会显著降低其性能。此外，许多真实世界系统可能缺乏节点级信息，这给 GNN 提供了挑战。为解决这一挑战，我们引入一种新方法，即 NCT 基于增强的特征增强（NCT-EFA），将平均可控性以及其他中心性指标整合到特征增强管道中，以提升 GNN 性能。我们对 NCT-EFA 的评估，在六个基准 GNN 模型中进行两种实验设置的测试。仅就平均可控性以及结合其他中心性指标，均显示出性能提升，最高可达 11%。我们的结果表明，将 NCT 纳入特征丰富可以显著扩展 GNN 在节点级信息不可用场景的适用性，并提升其性能。
引用
@article{arxiv.2405.03706,
title = {Improving Graph Machine Learning Performance Through Feature Augmentation Based on Network Control Theory},
author = {Anwar Said and Obaid Ullah Ahmad and Waseem Abbas and Mudassir Shabbir and Xenofon Koutsoukos},
journal= {arXiv preprint arXiv:2405.03706},
year = {2024}
}
备注
Conference paper