图形神经网络对表格数据的深度学习进行上下文嵌入

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 行业使用大数据以表格格式,包括异质特征.
• 深度学习 (DL) 在自然语言处理等领域表现出色,但在表格数据方面面临挑战.
• 经典机器学习 (ML) 模型,特别是基于树的集合,通常在表格数据集上表现优于DL.

研究的目的:

• 介绍一个新的深度学习 (DL) 模型用于表式数据分析.
• 利用图形神经网络 (GNN),特别是交互网络 (IN),用于上下文嵌入和特征交互建模.
• 证明模型的有效性与现有的DL基准和传统ML模型相比.

主要方法:

• 基于图形神经网络 (GNN) 架构的新型DL模型的开发.
• 交互网络 (IN) 的利用,用于对表格特征进行上下文嵌入.
• 对七个公共数据集的评估与DL基准和增强树解决方案相比.

主要成果:

• 拟议的基于GNN的模型优于最近DL对表格数据的基准.
• 与已建立的增强树ML解决方案相比,该模型实现了竞争性性能.
• 证明了异质表格特征之间的相互作用的改进建模.

结论:

• 图形神经网络 (GNN),特别是交互网络 (IN),为表格数据提供了一个有希望的DL方法.
• 这种新型模型为表格数据分析提供了传统的ML方法的可行替代方案.
• 这项研究推进了DL技术对复杂,现实世界表格数据集的应用.