图表质量对于揭示物理世界数据背后的语义至关重要

《IEEE Transactions on Pattern Analysis and Machine Intelligence》：Graph Quality Matters on Revealing the Semantics Behind the Data in Physical World

本文提出结构复杂性和同质性两个图质量评估指标，发现与任务性能呈正相关和J型关系，并设计Graph+工具通过增强图结构提升自然图在阿尔茨海默症诊断等任务中的表现，揭示数据语义规律。

　　

摘要：

物理世界由各种图结构构成，例如生命科学中的蛋白质结构、医学诊断中的患者关系、社交媒体中的用户连接等。图结构不仅有助于构建这个世界本身，还能帮助人类理解数据背后的语义。然而，这些图结构如何实现语义表示仍然不清楚，现有的研究大多集中在将图结构应用于特定任务上。在这项工作中，我们首先引入了两种评估图质量的指标：结构复杂性和同质性。结构复杂性用来描述图结构的对称性；同质性则通过计算同类节点之间的边占比来衡量边的连贯性。利用这两个指标，我们发现了图质量与一般任务性能之间的关系：图结构的复杂性越高，任务性能越好；而“J”形图结构与同质性之间存在正相关关系，这一点已经通过数学方法得到证明。基于这些发现，我们设计了一种图结构增强工具Graph。该工具能够优化图的结构，从而提升一般任务的性能。在阿尔茨海默病诊断和乳腺癌亚型识别等任务上的实证验证表明，Graph+确实能够改善图结构和任务性能，揭示数据背后的深层语义。

引言

图是物理世界中的一种基本数据形式，在生命科学[1]、[2]、[3]、认知科学[4]、[5]和社会科学[6]、[7]、[8]等领域中普遍存在。图中的拓扑信息反映了世界中不同元素之间的关联，有助于人类理解数据背后的语义。图结构已被用于预测各种系统的性质或行为，为其他学科的任务提供了宝贵的参考[9]、[10]、[11]、[12]、[13]、[14]。例如，在医学诊断中，图可以用来表示患者与健康对照组之间的关系，以及大脑不同区域之间的连接[15]、[16]、[17]，从而显著提高诊断准确性；在社交媒体分析中，通过分析用户之间的关联（以图的形式表示），可以发现社交网络中的社区[18]、[19]、[20]。