改善机器学习和关系数据分类

很多文章的报道都是由微观而宏观，今日小编讲给大家带来的关于改善机器学习和关系数据分类的资讯也不例外，希翼可以在一定的程度上开阔你们的视野！y有对改善机器学习和关系数据分类这篇文章感兴趣的小伙伴可以一起来看看
【改善机器学习和关系数据分类】通过KAUST和法国Nortonlifelock研究小组之间的研究合作，开辟了一种关系数据的分类算法，该算法比以前的方案更准确，并且效率更高。
这项新算法使用了一种称为强化学习的方法，展示了在甚至对关系数据进行分类之类的久经考验的任务中，加工学习技术的强大功能。

文章插图
关系数据是最常见的数据类别之一，其中离散数据点或节点以某种方式彼此连接。社交网络是一个很好的例子，其中每个用户都通过朋友关系与其他用户，也通过共享的兴趣，地理位置或其他特征或标签来建立联系。
对关系数据进行分类涉及搜索代理沿着节点之间的连接进行探究性的“行走” 。一个简单的代理可以随机执行此操作，但是这种方法效率低下且计算量大。如果代理发现自己处于关系盲区，那么它也可能导致分类精度不理想。
Uchenna Akujuobi与KAUST同事以及Nortonlifelock的Han Yufei合作，已经通过引入机器学习技术成功开辟了一种更强大的方法。
Akujuobi解释说：“大多数现实世界中的关系数据都可以采纳图结构格式，包括通过表示关系的边连接的数据节点。”“我们着手建立一个基于图的分类模型，该模型使用增强方法来训练代理以便获得更好的分类结果。”

文章插图
Yufei说：“我们方法的直觉是，我们不是随机选择探究路径，而是看我们是否可以使代理变得更聪慧。”“为此，我们在数据集中标记了一些节点，以便我们可以训练图探究策略。”
在强化学习中，座席从一个节点走到另一个节点，并在座席遇到标记的数据时受到奖励或惩处，从而逐步完善了决策策略。这种训练有效地减少了步行的“随机性”，使分类更加有效，并且也更不容易浮现误差。
Akujuobi说：“受过训练的代理商基本上根据相邻节点与当前节点的相关性，决定在每个步行步骤中要移动到哪个节点。”
Yufei说：“我们的方法将图形扫瞄的计算复杂度降低了几个数量级，同时提供了比最新的图形结构编码算法更好的节点分类精度。”“它通常还适用于任何类型的图形结构数据，例如社交网络推举系统和生物分子分类以及网络安全。”