乌漆 WhiteMoon

摘要： 本文提出了一个名为 Table2Graph​ 的框架，旨在将表格数据的特征交互建模问题转化为一个统一的加权图学习问题。其核心模型通过学习一个全局共享的概率邻接矩阵来显式地编码所有特征列之间的交互强度。为了解决图学习过程中的不稳定性和稀疏性控制难题，模型引入了强化学习策略以稳定地强化对提升预测性能至关重要的关键交互连接，并设计了一个可微的稀疏性约束损失来正则化图的连接结构，避免其过于平滑或稀疏。最终，模型在一个包含预测任务损失、强化损失和稀疏性约束损失的联合损失函数指导下，端到端地训练出这个统一图及相应的图神经网络模型，以实现高效且准确的预测。通过在多个真实世界和合成数据集上进行的广泛实验，本文严谨地验证了该框架的有效性、效率和可解释性。 阅读全文