乌漆 WhiteMoon

摘要： 针对现有方法（如因子分解机、Transformer）假设变量间为稠密交互、视角单一的局限性，本文提出双路由结构自适应图网络 DRSA-Net，其核心在于将无显式结构的表格数据建模为一个可学习的稀疏图上的消息传递问题。具体而言，模型首先通过低秩分解和 Top-K 操作，自适应地学习特征变量之间的最优稀疏图结构，从而精确控制交互的复杂性。在此基础上，模型设计了双路由注意力消息传递规则，同时从学得的图拓扑结构和基于注意力分数的特征相似性这两个互补的视角，来聚合信息并刻画变量间复杂的非线性交互。最终，通过一个分层聚合的读出函数得到样本的表示以进行预测。理论分析表明，经典的多层感知机和因子分解机均可视为该模型在完全图结构下的特例。通过大量实验验证了其有效性，消融实验、案例分析和复杂性评估共同表明，该模型在性能、效率、可解释性方面达到了良好的平衡。 阅读全文