.png){kind=icon}
返回
Dual-Channel Heterogeneous Graph Neural Network for Automatic Algorithm Recommendation
.png){kind=icon}
OA
AI
DOI：10.3390/math13223674.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自动算法选择是数据驱动决策中的关键挑战，由于可用算法的激增和应用场景的多样性，不存在普遍最优解。传统方法包括基于规则的系统、网格搜索和单模态元学习，通常面临高计算成本、泛化能力有限以及未能充分建模复杂数据集-算法交互的问题，特别是在数据稀疏或冷启动条件下。为解决这些问题，我们提出了一种双通道异构图神经网络（DCHGNN）用于自动算法推荐。数据集和算法被表示为异构二分图中的节点，边权重由观测性能定义。该框架采用两个通道，一个用于编码文本描述，另一个用于捕获数据集的元特征。跨通道对比学习对齐嵌入以改善一致性，并通过随机森林回归器预测算法在未见数据集上的性能。在121个数据集和179个算法上的实验表明，DCHGNN实现了94.8%的平均相对最大值，优于基线方法，其中85%的预测位于高置信区间[0.9, 1]。消融研究和可视化分析证实了两个通道和对比机制的贡献。总体而言，DCHGNN有效整合了多模态信息，缓解了稀疏性和冷启动问题，并提供了稳健且准确的算法推荐。
Keyword:
algorithm recommendation
meta-learning
heterogeneous graph neural network
dual-channel
contrastive learning
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.2
论文数:
3.1K
被引数:
3.6W
机构
引用论文
Dynamic Graph Representation Learning With Neural Networks: A Survey基于神经网络的动态图表示学习: 综述.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏A multi-view GNN-based network representation learning framework for recommendation systemsNEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏A Survey of Graph Neural Networks for Recommender Systems: Challenges, Methods, and Directions推荐系统的图神经网络综述: 挑战、方法和方向OAAI
OAAI分享收藏
查看更多内容