AAAINov, 2022

T2G-Former: 将表格特征组织成关系图可促进异构特征交互

PDF
TL;DR本文提出了一种自动估计表格数据特征间关系的图估算器，根据所建立的关系图组织各独立特征并实现节点间的有序交互，进而进行表格学习。结合该方法，我们提出了一种基于 Transformer 网络的 T2G-Former，能够在不同层次上收集 T2G-Former 中的显著特征并加以综合，实现对表格数据进行有效处理和预测，进而取得了优异的表现。
deep neural networkstabular learninggraph estimatorfeature interactiont2g-former
发现论文，激发创造
  • TabGSL: 表格数据预测的图结构学习

    本文提出了一种利用图结构学习和图神经网络预测表格数据的新方法，通过提出的图对比学习模块、基于 Transformer 的特征提取器和图神经网络来同时学习实例相关性和特征交互，在 30 个基准表格数据集上的全面实验表明，TabGSL 明显优于树结构模型和最近的基于深度学习的表格模型。

    May, 2023

  • 通过全局和局部关系交互进行欺诈检测

    关系感知图神经网络与变形器网络结合，同时将本地和全局特征嵌入目标节点，通过注意力融合模块和跳跃连接将全局嵌入与本地嵌入合并，在两个公共数据集和一个工业数据集上验证了其卓越性能。

    Feb, 2024

  • 可解释的图神经网络用于表格数据

    IGNNet 是一个解释性图神经网络，用于处理表格数据，通过表征学习的方式捕获特征交互，大规模的实证研究证明 IGNNet 与 XGBoost、Random Forests 和 TabNet 等最先进的机器学习算法在处理表格数据时表现相当，同时 IGNNet 的解释与特征的 Shapley 值一致而无需额外的计算开销。

    Aug, 2023

  • 基于图神经网络的表格数据深度学习上下文嵌入

    本文提出了一种新型深度学习模型，使用图神经网络（GNN）—— 特别是交互网络（IN）进行情境嵌入，以应对以表格形式存在的异构数据和特征。该模型在五个公共数据集上的深度学习基准测试中表现优异，优于最近发表的研究结果，并在与增强树解决方案的比较中也取得了竞争结果。

    Mar, 2023

  • 图神经网络在表格数据学习中的应用：一项包含分类和发展方向的调查

    通过对实现图神经网络 (GNNs) 的 Tabular Data Learning (TDL) 方法进行系统回顾与详细调查，本文强调了潜在关联性以及特征间数值的不足在 TDL 中。同时，本文提供了 GNNs 在构建图结构和表示学习方面的综合分类，以及对辅助任务和实际应用领域的讨论，探讨了 GNNs 在 TDL 中的多样性和影响，并提出了未来研究方向，以推动 GNNs 在 TDL 中的创新。

    Jan, 2024

  • 基于灵活的图形增强探索策略优化表格数据

    通过使用特征状态转换图，我们引入了一种新的方法来解决当前自动特征工程框架中存在的限制，并通过全面的实验证明了其在不同场景下具有优越的性能。

    Jun, 2024

  • TGG：零样本学习和少样本学习的可转移图生成

    提出一种 Transferable Graph Generation 方法应用于 zero-shot/few-shot 学习领域，采用显式的图生成建模来解决隐式方法的关系不充分的问题。通过由一个基于注意力机制的图生成网络和一个关系核心生成与学习充分，从而实现对未知领域的知识迁移。

    Aug, 2019

  • 一种基于图的性能分析新型表示学习技术

    将表格形式的性能数据转换为图形，利用图神经网络方法捕捉特征和样本之间复杂的关系，以提高回归任务的性能分析领域中的预测模型的性能。

    Jan, 2024

  • 使用图形和注意力网络学习表格数据中的样本间关系

    本文利用图神经网络 (GNN) 引入样本间的关系， 以学习表格数据的表征， 并将其与传统机器学习方法及现有深度学习方法进行比较。GNN 方法表现出在大特征 / 样本比率的表格数据上表现最佳，这揭示出传统机器学习假设中的 i.i.d 并不一定适用于大多数表格数据集。

    Jun, 2023

  • Boost then Convolve: 梯度提升相遇图神经网络

    该论文提出了一种新的网络结构，将 GNN 和 GBDT 训练在一起，以达到异质图表节点特征下最优化的效果，该模型经过广泛实验，证明在各种具有表格特征的图上性能显著提高。

    Jan, 2021