探究以估计Kolmogorov复杂度作为链接预测正则化手段
机器学习
2021-02-24 v2 机器学习
摘要
图中的链接预测是网络科学与机器学习领域的一项重要任务。我们研究了一种基于图Kolmogorov复杂度近似的灵活正则化手段，该近似可微且与近期链接预测算法的进展兼容。非正式地，对象的Kolmogorov复杂度是生成该对象的最短计算机程序的长度。复杂网络往往部分由简单机制生成；例如，许多引文网络与社会网络近似无标度，并可用优先连接解释。偏好预测具有更简单生成机制的图，促使我们选择Kolmogorov复杂度作为正则化项。在我们的实验中，该正则化方法在许多不同的真实世界网络上表现良好，然而我们判定这很可能源于某种聚合方法，而非任何对Kolmogorov复杂度的实际估计。
引用
@article{arxiv.2006.04258,
title = {Investigating Estimated Kolmogorov Complexity as a Means of Regularization for Link Prediction},
author = {Paris D. L. Flood and Ramon Viñas and Pietro Liò},
journal= {arXiv preprint arXiv:2006.04258},
year = {2021}
}
备注
Published as a Workshop Paper at the Causal Discovery & Causality-Inspired Machine Learning Workshop at Neural Information Processing Systems, 2020