基于 Tsallis 散度正则化的稀疏随机最短路径路由
机器学习
2021-08-24 v1 机器学习
摘要
本文详述两个重要问题：(1) 在带权有向图 G 上设计从源节点 s 到达目标节点 t 的最优随机路由策略；(2) 定义节点间距离度量，其随温度参数 T 在最小代价（基于最优移动）与交换代价（基于 G 上的随机游走）之间插值。为此，随机最短路径形式体系（RSP, [2,99,124]）被重新表述为基于 Tsallis 散度正则化而非 Kullback-Leibler 散度。这一改变的主要后果是所得路由策略（局部转移概率）在 T 减小时变得更稀疏，从而在 T 趋于 0 时诱导出收敛于最小代价有向无环图的稀疏随机游走。在节点聚类与半监督分类任务上的实验比较表明，基于期望路由代价的派生相异度度量取得了最先进的结果。因此，稀疏 RSP 是一种有前景的图上移动模型，以最优方式平衡稀疏利用与探索。
关键词
引用
@article{arxiv.2007.00419,
title = {Sparse Randomized Shortest Paths Routing with Tsallis Divergence Regularization},
author = {Pierre Leleux and Sylvain Courtain and Guillaume Guex and Marco Saerens},
journal= {arXiv preprint arXiv:2007.00419},
year = {2021}
}