【ICML2022】GNNRank: 基于有向图神经网络从两两比较中学习全局排序

本文简要介绍由牛津大学博士生何奕萱在上海交通大学访问期间与交大及亚马逊人工智能实验室合作发表的一篇ICML 2022论文 GNNRank: Learning Global Rankings from Pairwise Comparisons via Directed Graph Neural Networks，旨在推动机器学习求解图论与组合问题。

作者：何奕萱， 甘全，David Wipf, Gesine Reinert, 严骏驰，Mihai Cucuringu

论文链接：https://proceedings.mlr.press/v162/he22b/he22b.pdf（可点击阅读原文查看）

代码链接：https://github.com/SherylHYX/GNNRank

摘要： 从两两的比较中恢复全局排名具有广泛应用。与比赛中的比赛相对应的成对比较可以解释为有向图（有向图）中的边，其节点表示例如排名未知的竞争对手。在本文中，我们通过提出所谓的 GNNRank 将神经网络引入排序恢复问题，这是一种可训练的基于图神经网络的有向图嵌入框架。此外，我们设计了新的目标来编码排名混乱/违规。该框架涉及排名分数估计方法，并通过展开由可学习的相似性矩阵构造的图的 Fiedler 向量计算来添加归纳偏差。大量数据集的实验结果表明，我们的方法相对于基线获得了具有竞争力且通常更出色的性能，并显示出不错的迁移能力。