【剑桥大学博士论文】图机器学习非参数建模

来源：专知
本文为论文介绍，建议阅读5分钟
我通过推导适用于图数据的高斯过程模型来展示贝叶斯非参数建模的优点，这些模型适用于图机器学习中三个最重要的任务：链接预测、图级预测和节点级预测。

图是简单而强大的数据结构，通过节点和边描述实体及其相互关系，使其成为模拟各种实际对象（从分子到社会或生物网络）的流行候选者。由于其适用于各种建模场景，基于图形状数据的机器学习在过去几年中已成为一个重要的研究领域。虽然与机器学习模型结合时非常强大，但图在提出独特挑战方面也具有其特性，这些模型需要能够适应不仅数据高度多样化，而且图域也可能在大小、连通性模式及其与节点特征的交互等方面变化。在这项工作中，我假设高斯过程——一类贝叶斯非参数模型，特别适合于图域上的数据建模。

为了证明这一假设，我通过推导适用于图数据的高斯过程模型来展示贝叶斯非参数建模的优点，这些模型适用于图机器学习中三个最重要的任务：链接预测、图级预测和节点级预测。结果模型展示了许多优势，包括良好的模型拟合和由于其非参数性质而对过拟合的强大抵抗力，以及校准良好的不确定性估计。此外，高斯过程优化超参数的能力允许设计适应图特定特征的模型，例如图信号的平滑性和多尺度结构或特征的局部性。这些提议模型的优势，特别是与一系列基线模型相比的竞争性能，已在广泛的实际数据集上的大量实验中得到证实。