快讯|北邮GAMMA lab的两篇工作被AAAI2023接收

题目: Directed Acyclic Graph Structure Learning from Dynamic Graphs

作者: Shaohua Fan, Shuyang Zhang, Xiao Wang, Chuan Shi

摘要: 在各种应用中，估计特征（变量）的有向无环图 (DAG) 的结构对于揭示潜在数据生成过程和提供因果洞察力起着至关重要的作用。虽然已经有很多在各类数据上的结构学习方法，然而动态图上的结构学习尚未探索，因此我们研究了在这种无处不在的动态图数据上的节点特征生成机制的学习问题。在动态图中，我们提出同时估计节点特征之间同时期的关系和有时延的邻居交互关系。这两种关系构成了一个DAG，可以有效地以简洁的方式刻画特征生成过程。要学习这样一个有向无环图，我们将学习问题转换为一个基于得分的连续优化问题，它由一个可微分的得分函数来衡量学习的 DAG 的有效性和一个平滑的无环性约束以确保学习到的图的无环性。这两个组件被转换成一个无约束的增广拉格朗日目标，可以被成熟的连续优化技术最小化。提出的算法，名为 GraphNOTEARS，我们生成数据模拟了实际应用中可能会遇到各种情况，表明提出的方法显著优于基线方法。我们也将所提出的方法用于两个从真实世界的 Yelp 数据集中构建的动态图，以展示了我们的方法可以学习到符合领域知识的节点特征之间的关系。