基于马尔科夫边界发现的因果特征选择算法综述

因果特征选择算法(也称为马尔科夫边界发现)学习目标变量的马尔科夫边界,选择与目标存在因果关系的特征,具有比传统方法更好的可解释性和鲁棒性.文中对现有因果特征选择算法进行全面综述,分为单重马尔科夫边界发现算法和多重马尔科夫边界发现算法.基于每类算法的发展历程,详细介绍每类的经典算法和研究进展,对比它们在准确性、效率、数据依赖性等方面的优劣.此外,进一步总结因果特征选择在特殊数据(半监督数据、多标签数据、多源数据、流数据等)中的改进和应用.最后,分析该领域的当前研究热点和未来发展趋势,并建立因果特征选择资料库(http://home.ustc.edu.cn/~xingyuwu/MB.html),汇总该领域常用的算法包和数据集.

基于循环神经网络的在线动态网络嵌入算法

网络嵌入旨在为网络中的节点学习低维的向量表示。大部分现有算法只适用于静态网络,然而对于现实世界不断增长的网络需要重新训练,降低了方法的可用性。对此提出循环网络嵌入(Recurrent Neural Network Embedding,RNNE)来处理在线动态网络。为了解决网络规模可能频繁改变的问题,RNNE在网络中添加了独立的虚拟点保持网络在不同时间点规模的统一。同时,RNNE在嵌入时兼顾了网络的静态和动态特征,一方面通过节点间的连边和邻居的相似度来保持网络的局部和全局结构,另一方面通过传递先前时刻的嵌入信息来减少噪音的影响。RNNE在5个数据集上与其他几个最新的算法进行了测试和比较,结果表明RNNE相比于这些算法在重构、节点分类和链路预测上具有更大的优势。