拟蒙特卡洛图随机特征
机器学习
2023-05-23 v1 机器学习
摘要
我们提出了一种新颖机制，以提高最近引入的图随机特征（GRFs）类的准确性。我们的方法通过对算法的随机游走施加对偶终止来诱导随机游走长度之间的负相关性：这是一种采样更多样化随机游走的过程，其本身可能具有独立意义。它具有简单的即插即用实现。我们推导了这些拟蒙特卡洛 GRFs（q-GRFs）性质的强理论保证，证明在温和条件下它们对 2-正则化拉普拉斯核给出了更低方差的估计量。值得注意的是，我们的结果适用于任意图拓扑。我们在包括一个新的实际应用在内的多种任务上展示了经验准确性的提升：图扩散过程的时间高效近似。据我们所知，q-GRFs 构成了首个被严格研究的、定义在组合对象上的核的拟蒙特卡洛方案，开启了关于图随机游走之间相关性的新研究。
引用
@article{arxiv.2305.12470,
title = {Quasi-Monte Carlo Graph Random Features},
author = {Isaac Reid and Krzysztof Choromanski and Adrian Weller},
journal= {arXiv preprint arXiv:2305.12470},
year = {2023}
}