面向图数据的拓扑感知强化学习特征空间重构
机器学习
2024-11-11 v1 人工智能
摘要
特征空间是数据点向量化表示原始数据集的环境。重构优质特征空间对于增强数据AI能力、改进模型泛化性以及提高下游机器学习模型的可用性至关重要。现有文献，如特征转换和特征选择，较为耗力(例如高度依赖经验性知识)，且主要针对表格数据设计。此外，这些方法将数据样本视为独立存在，忽略了图数据特有的拓扑结构，从而导致重构特征空间次优。我们能否考虑拓扑信息而无需重量级经验知识即可自动重构图数据的特征空间？为填补这一空白，我们利用拓扑感知强化学习自动化和优化图数据的特征空间重构。我们的ethods结合提取核心子图以捕捉关键结构信息、使用图神经网络编码拓扑特征并降低计算复杂度。随后我们在层次结构中引入三个强化智能体，通过迭代过程系统性地生成有意义的特征，有效重构特征空间。该框架为属性图特征空间重构提供了原则解决方案。广泛的实验表明，包含拓扑感知性在有效性和效率方面均表现优异。
引用
@article{arxiv.2411.05742,
title = {Topology-aware Reinforcement Feature Space Reconstruction for Graph Data},
author = {Wangyang Ying and Haoyue Bai and Kunpeng Liu and Yanjie Fu},
journal= {arXiv preprint arXiv:2411.05742},
year = {2024}
}