子模函数的神经估计及其在可微子集选择中的应用
机器学习
2022-10-21 v1
摘要
子模函数及其变体凭借刻画多样性与覆盖性的能力，已成为数据选择与摘要的关键工具。许多近期学习子模函数的方法受限于有限表达能力。本工作中，我们提出 FLEXSUBNET，一类面向单调与非单调子模函数的灵活神经模型。为从（集合，值）观测中拟合潜在子模函数，FLEXSUBNET 以递归方式对模函数施加凹函数。我们并非从受限函数族中抽取凹函数，而是使用实现可微求积过程的高表达力神经网络从数据中学习。如此高表达力的凹函数神经模型本身可能具有独立意义。接下来，我们扩展该设定，给出单调 \alpha-子模函数（一种近期提出的近似子模函数概念）的新刻画，并据此设计该类函数的新型神经模型。最后，我们考虑在（边界集，高值子集）对形式的远程监督下学习子模集函数。这产生了一种基于围绕上述神经集函数构建的序不变且贪婪采样器的新型子集选择方法。我们在合成与真实数据上的实验表明 FLEXSUBNET 优于若干基线。
引用
@article{arxiv.2210.11033,
title = {Neural Estimation of Submodular Functions with Applications to Differentiable Subset Selection},
author = {Abir De and Soumen Chakrabarti},
journal= {arXiv preprint arXiv:2210.11033},
year = {2022}
}