通过邻域传播学习表格数据的增强表征
机器学习
2022-06-15 v1 人工智能
摘要
表格数据上的预测在许多重要下游任务中是一个基本且关键的问题。然而，现有方法要么将表中的数据实例独立地作为输入，要么未充分利用多行特征与标签来直接改变并增强目标数据表征。本文中，我们提出：1) 从相关数据实例检索构建超图，以建模这些实例的跨行与跨列模式；2) 执行消息传播以增强表格预测任务的目标数据实例表征。具体而言，我们专门设计的消息传播步骤受益于：1) 传播过程中标签与特征的融合；2) 局部感知的高阶特征交互。在两个重要表格数据预测任务上的实验验证了所提 PET 模型相对于其他基线的优越性。此外，我们通过多种消融研究与可视化展示了模型组件的有效性及 PET 的特征增强能力。代码见 https://github.com/KounianhuaDu/PET。
引用
@article{arxiv.2206.06587,
title = {Learning Enhanced Representations for Tabular Data via Neighborhood Propagation},
author = {Kounianhua Du and Weinan Zhang and Ruiwen Zhou and Yangkun Wang and Xilong Zhao and Jiarui Jin and Quan Gan and Zheng Zhang and David Wipf},
journal= {arXiv preprint arXiv:2206.06587},
year = {2022}
}