通用排序网络：一种基于注意力的跨尺度与质量度量排序神经网络
机器学习
2024-12-19 v2
摘要
排序在众多可视化应用中已被广泛研究，例如坐标轴和矩阵重排序，原因很简单：顺序会极大地影响数据感知模式。许多关于数据模式、感知和美学的质量度量被提出，并开发了相应的优化算法。然而，与排序相关的优化问题通常难以求解（例如，TSP是NP完全的），且开发专门的优化算法成本高昂。在本文中，我们提出了通用排序网络（VON），它能够自动学习针对给定质量度量的排序策略。VON使用质量度量来评估其解，并利用带有贪婪 rollout 基线的强化学习进行自我改进。这保持了度量的透明性，并允许VON针对不同度量进行优化。此外，VON使用注意力机制跨尺度收集信息，并根据当前上下文重新定位数据点。这使得VON能够处理遵循不同分布的数据点。我们检验了VON在不同使用场景和度量下的有效性。结果表明，VON能够产生与专门求解器相当的结果。代码可在 https://github.com/sysuvis/VON 获取。
引用
@article{arxiv.2412.12759,
title = {Versatile Ordering Network: An Attention-based Neural Network for Ordering Across Scales and Quality Metrics},
author = {Zehua Yu and Weihan Zhang and Sihan Pan and Jun Tao},
journal= {arXiv preprint arXiv:2412.12759},
year = {2024}
}
备注
has been accepted by TVCG on 11-Dec-2024