新方法让任意数据集都能画成概率几何图，连分布和大小都不限！
Learning Random Geometric Graphs Drawn in Probabilistic Metric Spaces
👨💼 主理人解读 · 为什么值得关注
提出在概率度量空间中学习随机几何图的方法，适用于任意类型多变量数据集的图结构发现。
📖 AI 总结
本文提出了一种在概率度量空间中学习随机几何图（RGG）的新方法，适用于多变量数据集，且不受观测变量类型、概率分布或数据规模限制。核心创新在于引入一个“差异变量”，用以衡量图中两顶点连接性与对应随机变量相关性之间的不一致程度，并将其累积分布函数作为图所在空间的度量函数。若节点间距离低于设定概率阈值，则边存在，且每条边以识别出的概率出现，形成软RGG。作者采用拒绝采样技术估计边概率，并推导出顶点期望度分布的局部性，该分布依赖于观测间相关矩阵；若矩阵未知，可利用闭式后验概率密度从数据中学习。通过高维真实数据集的多重RGG学习实验，验证了方法的通用性和有效性。
🔑 关键词速览
| Random Geometric Graph (RGG) | 随机几何图，一种根据节点在度量空间中的距离（低于阈值）来连接节点的图模型。 |
| Probabilistic Metric Space | 概率度量空间，其中距离由概率分布定义，而非固定数值。 |
| Soft RGG | 软随机几何图，边以一定概率存在，而非确定性存在。 |
| Rejection Sampling | 拒绝采样，一种通过接受/拒绝样本估计概率分布的蒙特卡洛方法。 |
| CDF (Cumulative Distribution Function) | 累积分布函数，描述随机变量取值小于等于某值的概率。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅