具有简单复数的高阶数据的高效表示学习
杨若晨、弗雷德里克·萨拉、保罗·博格丹
第一届图形学习会议记录,PMLR 198:13:1-13:212022年。
摘要
在令人印象深刻的最新发展和广泛应用的推动下,基于图形的机器学习正在经历爆炸式的增长。图表示学习的典型方法主要侧重于成对交互,而忽略了复杂系统常见的高阶交互模式。本文以简单复合体为中心,探讨了多体相互作用模型。从理论角度来看,我们提供了两个见解,说明为什么高阶模型是必要的,为什么非图形模型通常不能很好地泛化,而图形模型可能能够做到这一点。我们对合成数据、共引网络、,合著网络和基因-疾病协会的研究表明,与非图结构、正则图、超图和传统的基于简单复合物的学习框架相比,具有一定松弛度的简单复合物可以更有效地捕获潜在的高阶结构。
引用本文
相关材料