Msgl+: selección rápida y confiable de modelos inspirada en el aprendizaje métrico de gráficos
Autores: Yang, Cheng; Zheng, Fei; Zou, Yujie; Xue, Liang; Jiang, Chao; Liu, Shuangyu; Zhao, Bochao; Cui, Haoyang
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Msgl+: selección rápida y confiable de modelos inspirada en el aprendizaje métrico de gráficos
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Estructuras de datos basadas en grafos
Graphical lasso
Aprendizaje de métricas de grafo
Características de nodo
MSGL+
Procesamiento de señales espectrales de grafo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 49
Citaciones: Sin citaciones
El problema de aprender estructuras de datos basadas en grafos a partir de datos ha atraído considerable atención en la última década. Diferentes tipos de datos se pueden utilizar para inferir la estructura del grafo, como Lasso gráfico, que se aprende a partir de múltiples señales de grafo o aprendizaje métrico de grafo basado en características de nodo. Sin embargo, la mayoría de los métodos existentes que utilizan características de nodo para aprender el grafo enfrentan dificultades cuando las señales de etiqueta de los datos son incompletas. En particular, el problema de aprendizaje de métrica de distancia par a par se vuelve intratable a medida que aumenta la dimensionalidad de las características de nodo. Para abordar este desafío, proponemos un método novedoso llamado MSGL+. MSGL+ se inspira en la selección de modelos, aprovecha los avances recientes en el procesamiento de señales espectrales de grafo (GSP) y ofrece varias innovaciones clave: (1) Interpretación Polinómica: Utilizamos una función polinómica de cierto orden en el Laplaciano del grafo para representar la matriz de covarianza inversa de los nodos del grafo y formular rigurosamente un problema de optimización. (2) Formulación Convexa: Formulamos un objetivo de optimización convexo con una restricción de cono que optimiza los coeficientes del polinomio, lo que hace que nuestro enfoque sea eficiente. (3) Restricciones Lineales: Convertimos la restricción de cono del objetivo en un conjunto de restricciones lineales para garantizar aún más la eficiencia de nuestro método. (4) Objetivo de Optimización: Exploramos las propiedades de estas restricciones lineales dentro del objetivo de optimización, evitando resultados subóptimos mediante la eliminación de las restricciones de caja en las variables de optimización, y reduciendo con éxito aún más el número de variables en comparación con nuestro trabajo preliminar, MSGL. (5) Solución Eficiente: Resolvemos el objetivo utilizando el eficiente algoritmo Frank-Wolfe basado en programación lineal. Ejemplos de aplicación, incluida la clasificación binaria, la clasificación multiclase, el desruido de imágenes binarias y el análisis de series temporales, demuestran que MSGL+ logra un rendimiento de precisión competitivo con una ventaja de velocidad significativa en comparación con los métodos existentes de Lasso gráfico y aprendizaje de grafo basado en características.
Descripción
El problema de aprender estructuras de datos basadas en grafos a partir de datos ha atraído considerable atención en la última década. Diferentes tipos de datos se pueden utilizar para inferir la estructura del grafo, como Lasso gráfico, que se aprende a partir de múltiples señales de grafo o aprendizaje métrico de grafo basado en características de nodo. Sin embargo, la mayoría de los métodos existentes que utilizan características de nodo para aprender el grafo enfrentan dificultades cuando las señales de etiqueta de los datos son incompletas. En particular, el problema de aprendizaje de métrica de distancia par a par se vuelve intratable a medida que aumenta la dimensionalidad de las características de nodo. Para abordar este desafío, proponemos un método novedoso llamado MSGL+. MSGL+ se inspira en la selección de modelos, aprovecha los avances recientes en el procesamiento de señales espectrales de grafo (GSP) y ofrece varias innovaciones clave: (1) Interpretación Polinómica: Utilizamos una función polinómica de cierto orden en el Laplaciano del grafo para representar la matriz de covarianza inversa de los nodos del grafo y formular rigurosamente un problema de optimización. (2) Formulación Convexa: Formulamos un objetivo de optimización convexo con una restricción de cono que optimiza los coeficientes del polinomio, lo que hace que nuestro enfoque sea eficiente. (3) Restricciones Lineales: Convertimos la restricción de cono del objetivo en un conjunto de restricciones lineales para garantizar aún más la eficiencia de nuestro método. (4) Objetivo de Optimización: Exploramos las propiedades de estas restricciones lineales dentro del objetivo de optimización, evitando resultados subóptimos mediante la eliminación de las restricciones de caja en las variables de optimización, y reduciendo con éxito aún más el número de variables en comparación con nuestro trabajo preliminar, MSGL. (5) Solución Eficiente: Resolvemos el objetivo utilizando el eficiente algoritmo Frank-Wolfe basado en programación lineal. Ejemplos de aplicación, incluida la clasificación binaria, la clasificación multiclase, el desruido de imágenes binarias y el análisis de series temporales, demuestran que MSGL+ logra un rendimiento de precisión competitivo con una ventaja de velocidad significativa en comparación con los métodos existentes de Lasso gráfico y aprendizaje de grafo basado en características.