基于神经混沌学习的联合数据分类
机器学习
2026-02-19 v1
摘要
神经混沌学习（NL）近期在传统深度学习方法之上展现出前景，其两个关键特征是能够从小规模训练样本中学习以及计算需求较低。在 prior 工作中，NL 已被实现并在可分离数据和时间序列数据上进行广泛测试，证明其在分类和回归任务中的优越性能。本文探讨了 NL 的下一步，即将 NL 应用于联合数据，特别是以知识图谱形式表示的数据。我们通过在知识图谱上实现节点聚合，将联合数据集成到 NL 中，然后将聚合后的节点特征输入到最简单的 NL 架构：ChaosNet。我们在 homophilic 图数据集以及heterophilic 图数据集（具有不同程度的heterophily）上展示了我们的实现结果。我们显示在 homophilic 图上比在heterophilic 图上更有效。同时，我们还呈现了结果分析，并提出了未来工作的建议。
引用
@article{arxiv.2602.16204,
title = {Linked Data Classification using Neurochaos Learning},
author = {Pooja Honna and Ayush Patravali and Nithin Nagaraj and Nanjangud C. Narendra},
journal= {arXiv preprint arXiv:2602.16204},
year = {2026}
}