通过图神经网络解决可证明困难的典型代表选择问题
机器学习
2023-07-20 v2 计算复杂性
摘要
典型代表选择（RS）是从数据集中寻找一小部分具有代表性的样本作为范例的问题。在本文中，我们研究属性图的 RS，并聚焦于寻找能优化在所选代表上训练的模型准确率的代表性节点。理论上，我们为 RS（在无图结构时）建立了一个新的困难性结果，证明其中一个特别实用的变体（用于学习的 RS）在多项式时间内难以以任何合理因子近似，这意味着广泛使用的代理函数的最优解与模型实际准确率之间存在显著潜在差距。随后我们研究数据点之间存在（同嗜性）图结构或可被构建的情形。我们表明，通过恰当的建模方法，此类结构的存在可将困难的 RS（用于学习）问题转化为可有效求解的问题。为此，我们开发了 RS-GNN，一种基于图神经网络的表示学习式 RS 模型。在实证上，我们通过展示 RS-GNN 在八个基准测试套件上相比已有基线取得显著改进，证明了其在具有预定义图结构的问题以及由节点特征相似度诱导出图的问题上的有效性。
引用
@article{arxiv.2205.10403,
title = {Tackling Provably Hard Representative Selection via Graph Neural Networks},
author = {Mehran Kazemi and Anton Tsitsulin and Hossein Esfandiari and MohammadHossein Bateni and Deepak Ramachandran and Bryan Perozzi and Vahab Mirrokni},
journal= {arXiv preprint arXiv:2205.10403},
year = {2023}
}
备注
Accepted at the Transactions of Machine Learning Research (TMLR) Journal