半监督推断新突破：辅助数据越多，风险直逼预言机规则！
Learning Submanifolds for Subsequent Inference on Random Dot Product Graphs, Part 1: Theory
📖 AI 总结
本文提出一个针对随机点积图的受限推断理论框架，适用于潜在位置位于未知低维支撑流形上的情形。作者针对一般决策问题设计了半监督决策规则，利用辅助数据学习支撑流形：具体做法是借助Isomap流形学习算法，将观测图映射为低维欧氏表示，并在该空间中用等距不变函数将点配置映射为决策动作。理论分析表明，随着从未知支撑流形中采样的辅助数据量增加，半监督规则的风险收敛至一个“神谕”规则的风险，后者利用了可从支撑流形中提取的最大低维欧氏结构。该工作为图推断中流形结构的利用提供了理论保证，具体示例、应用与仿真研究留待续篇。
🔑 关键词速览
| 随机点积图 | 一种随机图模型，其中每个节点的潜在位置是低维向量，节点间连接概率由这些向量的点积决定。 |
| 支撑流形 | 潜在位置所位于的未知低维流形，它决定了图数据的几何结构。 |
| Isomap | 一种非线性降维方法，通过保持测地距离来学习高维数据的低维嵌入。 |
| 半监督决策规则 | 利用辅助数据（通常是无标签数据）来改进决策的规则，结合了监督和无监督学习的特点。 |
| 预言机规则 | 一种理想化的决策规则，假设完全知道支撑流形的低维结构，作为性能比较的基准。 |
📱 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