随机生成树与加权图的预测

我们研究了在任意加权图的节点上顺序预测二元标签的问题。我们表明，在对问题进行适当的参数化下，最优预测错误次数（直至对数因子）可由图的随机生成树的割大小 (cutsize) 来刻画。该割大小由图节点的未知对抗性标签所诱导。在推导我们的刻画过程中，我们获得了一种简单的随机算法，该算法在任何多项式连通的加权图上均能在期望意义上达到最优错误界限。我们的算法绘制原始图的随机生成树，然后在常数期望摊销时间和线性空间内预测该树的节点。在真实世界数据集上的实验表明，我们的方法与全局（Perceptron）和局部（标签传播）方法相比表现良好，同时在实践中通常更快。