乌漆 WhiteMoon

摘要： 针对传统方法在处理表格数据时特征视角与相似性视角分离的局限性，本文提出了一种名为基于图神经网络并使用监督对比损失的表格数据分析方法。模型的核心创新在于将传统的表格数据转化为图结构，从而融合了基于特征的方法和基于相似性的方法两种经典视角。首先，通过径向基函数（RBF）核计算所有观测样本之间的相似性，构建一个全连接相似性图，并使用稀疏化技术（如 ε-邻域图）保留关键连接；然后，以节点为原始特征、边为稀疏化后的相似性构建图，输入 GCN 进行训练。为了进一步提升性能，模型在标准交叉熵损失之外，引入了监督对比损失，其目标是拉近同类样本在嵌入空间的表示，并推远不同类样本的表示，从而学习到更具判别性和泛化能力的特征。最终，该模型通过 GCN 的邻居聚合机制，同时利用了节点自身特征和其相似邻居的信息，实现了对表格数据更全面、更鲁棒的分析。实验结果表明，所提方法在分类准确率、F1 分数上表现最优，尤其在小样本场景下优势显著。 阅读全文