用于有效图数据估值的优先约束 Winter 值
机器学习
2024-03-11 v2
摘要
数据估值对于量化数据的价值至关重要，有助于评估数据质量和确定公平补偿。虽然现有的数据估值方法在评估欧氏数据的价值方面已被证明是有效的，但将其应用于日益流行的图结构数据时却面临局限性。特别是，图数据估值带来了独特的挑战，主要源于节点之间复杂的依赖关系以及估值成本的指数级增长。为了解决图数据估值这一具挑战性的问题，我们提出了一种创新的解决方案——优先约束 Winter (PC-Winter) 值，以考虑复杂的图结构。此外，我们开发了多种策略来应对计算挑战，并实现对 PC-Winter 的高效近似。大量实验证明了 PC-Winter 在不同数据集和任务上的有效性。
引用
@article{arxiv.2402.01943,
title = {Precedence-Constrained Winter Value for Effective Graph Data Valuation},
author = {Hongliang Chi and Wei Jin and Charu Aggarwal and Yao Ma},
journal= {arXiv preprint arXiv:2402.01943},
year = {2024}
}
备注
17 pages in total