2025_NIPS_Quasi-Monte Carlo Graph Random Features

文章核心总结与翻译

一、主要内容

文章聚焦图随机特征（GRFs）的精度优化，提出一种基于对偶终止（antithetic termination）的准蒙特卡洛图随机特征（q-GRFs）方法。该方法通过诱导随机游走长度间的负相关性，在不破坏无偏性的前提下降低2-正则拉普拉斯核估计的方差，且适用于任意图拓扑结构。

核心研究包括三部分：一是构建对偶终止机制，通过偏移终止随机变量（TRVs）实现随机游走长度多样化；二是提供严格理论证明，证实q-GRFs在终止概率p足够小或邻接矩阵谱半径ρ(U)足够小时，方差低于传统GRFs；三是通过四类实验验证有效性，包括核矩阵逼近、图扩散模拟、节点聚类和属性预测，均展现出显著精度提升。

二、创新点

1. 提出对偶终止策略，将欧氏空间的对偶变量思想拓展到图随机游走终止行为，实现低成本的方差 reduction，且可直接嵌入现有GRF框架。
2. 首次构建适用于组合对象核的准蒙特卡洛方案，为图随机游走相关性研究提供新方向，理论结果适用于任意图结构。
3. 拓展应用场景，除核估计外，还可用于PageRank向量逼近、图元统计估计等依赖随机游走采样的任务。
4. 实验验证了在多种图类型（随机图、树状图、真实世界图）和下游任务中的普适性，部分场景下误差减半。

三、关键部分翻译（Markdown格式）

Abstract

我们提出一种新机制，用于提升近期提出的图随机