将元特征与知识图谱嵌入集成用于元学习
机器学习
2026-03-23 v1 人工智能
摘要
web 上可获得的庞大机器学习记录为元学习提供了显著机会，其中利用过去实验可提高性能。两个关键的元学习任务是管道性能估计 (PPE)，预测管道在目标数据集上的性能；以及数据集性能基准相似度估计 (DPSE)，识别具有相似性能模式的数据集。现有方法主要依赖数据集元特征 (如实例数、类熵等) 对数据集进行数值化表示，以近似这些元学习任务。然而，这些方法常常忽视了可获得的大量过去实验结果和管道元数据的价值。这限制了其捕获数据集-管道相互作用以揭示性能相似性模式的能力。本文提出了 KGmetaSP，一种利用现有实验数据捕获这些相互作用并提高 PPE 和 DPSE 的知识图谱嵌入方法。我们将数据集和管道表示为统一的知识图谱 (KG)，并派生嵌入以支持 PPE 的管道无关型元模型和 DPSE 的基于距离的检索。为验证我们的方法，构建了由 144,177 个 OpenML 实验组成的大规模基准，使其能够进行丰富的跨数据集评估。KGmetaSP 实现了使用单个管道无关型元模型进行准确 PPE，并在基线上提高了 DPSE。本文提出的 KGmetaSP、KG 和基准均已公开 release，确立了元学习的新参考基准，并展示了如何将开放实验数据整合到统一 KG 中以推动该领域发展。
引用
@article{arxiv.2603.19888,
title = {Integrating Meta-Features with Knowledge Graph Embeddings for Meta-Learning},
author = {Antonis Klironomos and Ioannis Dasoulas and Francesco Periti and Mohamed Gad-Elrab and Heiko Paulheim and Anastasia Dimou and Evgeny Kharlamov},
journal= {arXiv preprint arXiv:2603.19888},
year = {2026}
}