×
吉安尼斯·尼古伦佐斯;吉安尼斯，西格丽迪斯;米查利斯·瓦齐吉安尼

图形内核：一项调查。 （英语） Zbl 1522.68477号

J.阿蒂夫。智力。研究（JAIR） 72, 943-1027 (2021).
摘要：在过去的十年中，图形内核吸引了大量的关注，并且已经发展成为结构化数据学习的一个快速发展的分支。在过去的20年中，该领域发生的大量研究活动导致了数十个图核的发展，每个图核都专注于图的特定结构属性。从社交网络到生物信息学，图形内核在许多领域都已被证明是成功的。这项调查的目的是提供关于图核的文献的统一观点。特别是，我们对各种各样的图核进行了全面的概述。此外，我们在公开可用的数据集上对其中几个内核进行了实验评估，并进行了比较研究。最后，我们讨论了图核的关键应用，并概述了一些有待解决的挑战。

引用于2文件

理学硕士：

68T05型 人工智能中的学习和自适应系统
68-02 与计算机科学有关的研究展览会（专著、调查文章）

关键词：

机器学习;数据挖掘

软件：

单词2vec;文本排名;伦敦银行支持向量机
PDF格式BibTeX公司 XML格式引用
\textit{G.Nikolentzos}等人，J.Artif。智力。研究（JAIR）72，943--1027（2021；Zbl 1522.68477）
全文： 内政部 arXiv公司

参考文献：

[1] Aiolli，F.、Donini，M.、Navarin，N.和Sperduti，A.（2015）。多图形核学习。《2015年计算智能系列研讨会论文集》，第1607-1614页。
[2] Airola，A.、Pyysalo，S.、Bj¨orne，J.、Pahikkala，T.、Ginter，F.和Salakoski，T.（2008a）。蛋白质相互作用提取的图形核。生物医学自然语言处理当前趋势研讨会论文集，第1-9页。
[3] Airola，A.、Pyysalo，S.、Bj¨orne，J.、Pahikkala，T.、Ginter，F.和Salakoski，T.（2008b）。用于跨语料库学习评估的蛋白质相互作用提取的全通图核。BMC生物信息学，9（11），S2。
[4] Al-Rfou，R.、Perozzi，B.和Zelle，D.（2019年）。DDGK：深度发散图核的学习图表示。《2019年万维网会议记录》，第37-48页。
[5] Alvarez-Hamelin，I.、Dall'Asta，L.、Barrat，A.和Vespignani，A.（2006）。使用k核分解的大规模网络指纹识别和可视化。神经信息处理系统进展，18，41-50。
[6] Anderson，B.、Quist，D.、Neil，J.、Storlie，C.和Lane，T.（2011年）。使用动态分析进行基于图形的恶意软件检测。计算机病毒学杂志，7（4），247-258。
[7] Antanas，L.、Frasconi，P.、Costa，F.、Tuytelaars，T.和De Raedt，L.（2012年）。基于关系核的层次图像理解框架。《IAPR模式识别、结构和句法模式识别统计技术联合国际研讨会论文集》，第171-180页。
[8] Antoniotti，M.、Carreras，M.，Farinaccio，A.、Mauri，G.、Merico，D.和Zoppis，I.（2010年）。核方法在基因簇时间荟萃分析中的应用。计算机与运筹学，37（8），1361-1368·Zbl 1186.68351号
[9] Aronszajn，N.（1950）。再生核理论。美国数学学会学报，68（3），337-404·Zbl 0037.20701号
[10] 巴赫·F·R（2008）。绘制点云之间的内核。《第25届机器学习国际会议论文集》，第25-32页。
[11] Bai，L.、Rossi，L.，Zhang，&Hancock，E.R.（2015a）。加权图的对齐子树核。第32届国际机器学习会议论文集，第30-39页。
[12] Bai，L.，Zhang，Z.，Wang，C.，Bai，X.，&Hancock，E.R.（2015b）。基于Jensen-Shannon表示对齐的图核。《第24届国际人工智能会议记录》，第3322-3328页。
[13] Barla，A.、Odone，F.和Verri，A.（2003）。用于图像分类的直方图交集核。2003年国际图像处理会议记录，第3卷，第III-513-16页。
[14] Batagelj，V.和Zaverésnik，M.（2011年）。用于确定社交网络中（广义）核心组的快速算法。数据分析和分类进展，5（2），129-145·Zbl 1284.05252号
[15] Battaglia，P.、Pascanu，R.、Lai，M.、Rezende，D.J.等人（2016年）。学习物体、关系和物理的互动网络。《神经信息处理系统进展》，第4502-4510页。
[16] Bleik，S.、Mishra，M.、Huan，J.和Song，M.（2013年）。使用图形核和受控词汇对生物医学数据集进行文本分类。IEEE计算生物学和生物信息学汇刊，10（5），1211-1217。
[17] Bondy，J.A.和Hemminger，R.L.（1977年）。图形重建——一项调查。图论杂志，1（3），227-268·Zbl 0375.05040号
[18] Borgwardt，K.、Ghisu，E.、Llinares-L´opez，F.、O'Bray，L.、Rieck，B.等人（2020年）。图形内核：最新技术和未来挑战。机器学习基础与趋势®，13（5-6）·Zbl 1461.68174号
[19] Borgwardt，K.M.（2007）。图形内核。慕尼黑路德维希·马克西米利安大学博士论文。
[20] Borgwardt，K.M.和Kriegel，H.P.（2005）。图上的最短路径核。第五届IEEE数据挖掘国际会议论文集，第74-81页。
[21] Borgwardt，K.M.、Kriegel，H.P.、Vishwanathan，S.和Schraudolph，N.N.（2007年）。蛋白质相互作用网络疾病预后预测的图形核。太平洋生物计算研讨会，第4-15页。世界科学。
[22] Borgwardt，K.M.、Ong，C.S.、Sch¨onauer，S.、Vishwanathan，S.，Smola，A.J.和Kriegel，H.P.（2005年）。通过图核预测蛋白质功能。生物信息学，21（补充1），i47-i56。
[23] Boser，B.E.、Guyon，I.M.和Vapnik，V.N.（1992年）。一种最优边缘分类器的训练算法。第五届计算学习理论年度研讨会论文集，第144-152页。
[24] Brown，J.、Urata，T.、Tamura，T.，Arai，M.A.、Kawabata，T.和Akutsu，T.（2010年）。通过结合手性的图核进行复合分析。《生物信息学和计算生物学杂志》，8（supp01），63-81。
[25] Brun，L.、Conte，D.、Foggia，P.和Vento，M.（2011年）。用图核方法进行人的再识别。在模式识别中基于图形表示的国际研讨会上，第285-294页。
[26] Bruna，J.、Zaremba，W.、Szlam，A.和LeCun，Y.（2014年）。图上的谱网络和深局部连通网络。第二届国际学习代表大会。
[27] Bunescu，R.和Mooney，R.（2005）。用于关系提取的最短路径依赖内核。《人类语言技术会议论文集》和《自然语言处理经验方法会议》，第724-731页。
[28] Ceroni，A.、Costa，F.和Frasconi，P.（2007年）。通过二维和三维分解核对小分子进行分类。生物信息学，23（16），2038-2045。
[29] Chang，C.和Lin，C.（2011）。LIBSVM：支持向量机库。ACM智能系统与技术汇刊，2（3），27。
[30] Chen，D.、Jacob，L.和Mairal，J.（2020年）。图结构数据的卷积核网络。第37届机器学习国际会议论文集，第1576-1586页。
[31] Collins，M.和Duffy，N.（2001年）。自然语言卷积核。《神经信息处理系统进展》，第625-632页。
[32] Conte，D.、Foggia，P.、Sansone，C.和Vento，M.（2004）。模式识别中的图形匹配已有三十年历史。国际模式识别与人工智能杂志，18（03），265-298。
[33] Costa，F.和De Grave，K.（2010年）。快速邻域子图成对距离核。《第26届机器学习国际会议论文集》，第255-262页。
[34] Croce，D.、Moschiti，A.和Basili，R.（2011年）。基于依赖树卷积核的结构化词汇相似度。《2011年自然语言处理实证方法会议论文集》，第1034-1046页。
[35] Culotta，A.和Sorensen，J.（2004）。关系提取的依赖树内核。《计算语言学协会第42届年会会议记录》，第423-429页。
[36] Da San Martino，G.、Navarin，N.和Sperduti，A.（2012年）。基于树的图内核。《2012年SIAM国际数据挖掘会议记录》，第975-986页。
[37] De Vries，G.K.D.和De Rooij，S.（2015）。用于从rdf数据进行机器学习的子结构计数图核。网络语义学：万维网上的科学、服务和代理，3571-84。
[38] Debnath，A.K.、Lopez de Compadre，R.L.、Debnath，G.、Shusterman，A.J.和Hansch，C.（1991）。致突变芳香族和杂芳香族硝基化合物的构效关系。分子轨道能和疏水性的相关性。药物化学杂志，34（2），786-797。
[39] Defferrard，M.、Bresson，X.和Vandergheynst，P.（2016）。图上卷积神经网络与快速局部化谱滤波。神经信息处理系统进展，第3844-3852页。
[40] Dhillon，I.S.、Guan，Y.和Kulis，B.（2004）。核k均值、谱聚类和归一化切割。第十届ACM SIGKDD知识发现和数据挖掘国际会议论文集，第551-556页。
[41] Dobson，P.和Doig，A.（2003）。无对齐区分酶结构和非酶。《分子生物学杂志》，330（4），771-783。
[42] Draief，M.、Kutzkov，K.、Scaman，K.和Vojnovic，M.（2018年）。KONG：有序邻域图的内核。《神经信息处理系统进展》，第4055-4064页。
[43] Driessens，K.、Ramon，J.和G¨artner，T.（2006年）。图核和高斯过程用于关系强化学习。机器学习，64（1-3），91-119·Zbl 1103.68681号
[44] Du，S.S.，Hou，K.，Salakhutdinov，R.R.，Poczos，B.，Wang，R.，&Xu，K..（2019年）。图形神经切线核：图形神经网络与图形核的融合。《神经信息处理系统研究进展》，第5724-5734页。
[45] Duvenaud，D.K.、Maclaurin，D.、Iparraguirre，J.、Bombarell，R.、Hirzel，T.、Aspuru-Guzik，A.和Adams，R.P.（2015）。用于学习分子指纹的图上卷积网络。《神经信息处理系统进展》，第2224-232页。
[46] Errica，F.、Podda，M.、Bacciu，D.和Micheli，A.（2020年）。图形神经网络在图形分类中的公平比较。在第八届国际学习代表大会上·Zbl 1475.68310号
[47] Feragen，A.、Kasenburg，N.、Petersen，J.、de Bruijne，M.和Borgwardt，K.M.（2013）。具有连续属性的图的可缩放内核。《神经信息处理系统进展》，第216-224页。
[48] Ferrée，G.、Haut，T.和Barros，K.（2017年）。使用局部图核学习分子能量。化学物理杂志，146（11），114107。
[49] Filippova，K.（2010年）。多段压缩：在字图中查找最短路径。《第23届国际计算语言学会议论文集》，第322-330页。
[50] Fisher，M.、Sarva，M.和Hanrahan，P.（2011年）。使用图形核描述场景中的结构关系。ACM图形交易，30（4），34。
[51] Fr¨ohlich，H.、Wegner，J.K.、Sieker，F.和Zell，A.（2005）。属性分子图的最优分配核。《第22届机器学习国际会议论文集》，第225-232页。
[52] Garey，M.R.和Johnson，D.S.（1979年）。计算机与难处理性：NPcomplete指南。WH Freeman公司·Zbl 0411.68039号
[53] G¨artner，T.（2003）。结构化数据核心综述。ACM SIGKDD探索新闻稿，5（1），49-58。
[54] G¨artner，T.、Flach，P.和Wrobel，S.（2003）。关于图核：硬结果和有效替代。InLearning Theory and Kernel Machines，第129-143页·Zbl 1274.68312号
[55] Gascon，H.、Yamaguchi，F.、Arp，D.和Rieck，K.（2013年）。使用嵌入式调用图对Android恶意软件进行结构检测。《2013年ACM人工智能与安全研讨会论文集》，第45-54页。
[56] Ga¨uz'ere，B.、Brun，L.和Villemin，D.（2011年）。两个新的图核及其在化学信息学中的应用。第八届模式识别中基于图形的表示国际研讨会论文集，第112-121页·Zbl 1381.05077号
[57] Ghosh，S.、Das，N.、Goncalves，T.、Quaresma，P.和Kundu，M.（2018年）。图核的二十年历程。《计算机科学评论》，27，88-111·Zbl 1382.68191号
[58] Gilmer，J.、Schoenholz，S.S.、Riley，P.F.、Vinyals，O.和Dahl，G.E.（2017）。量子化学的神经信息传递。第34届国际机器学习会议记录，第1263-1272页。
[59] Gkirtzou，K.和Blaschko，M.B.（2016）。金字塔量化Weisfeiler-Lehman图表示。神经计算，1731495-1507。
[60] Glavaás，G.和Snajder，J.（2013）。用图形内核识别相同的事件。《计算语言学协会第51届年会论文集》，第797-803页。
[61] Gower，J.C.（1971）。一般相似系数及其一些性质。生物统计学，27857-871。
[62] Graepel，T.、Herbrich，R.、Bollmann-Sdorra，P.和Obermayer，K.（1999）。成对邻近数据分类。《神经信息处理系统进展》，第438-444页。
[63] Grauman，K.和Darrell，T.（2007年）。金字塔匹配内核：利用特征集进行高效学习。机器学习研究杂志，8725-760·Zbl 1222.68206号
[64] Grenier，P.-A.、Brun，L.和Villemin，D.（2017年）。化学信息学和立体异构：立体图形内核以及三个新的扩展。模式识别字母，87，222-230。
[65] Grohe，M.、Rattan，G.和Woeginger，G.J.（2018年）。图的相似性和近似同构。第43届计算机科学数学基础国际研讨会论文集。
[66] Halbriter，F.和Geibel，P.（2007年）。使用图核的关系MDP学习模型。《第六届墨西哥人工智能国际会议记录》，第409-419页。斯普林格。
[67] Hamilton，W.、Ying，Z.和Leskovec，J.（2017）。大图的归纳表示学习。《神经信息处理系统进展》，第1024-1034页。
[68] Harchaoui，Z.和Bach，F.（2007年）。使用分割图核的图像分类。2007年IEEE计算机视觉和模式识别会议记录，第1-8页。
[69] Haussler，D.（1999）。离散结构上的卷积核。加州大学圣克鲁斯分校技术代表。
[70] Hermansson，L.、Kerola，T.、Johansson，F.、Jethava，V.和Dubhashi，D.（2013）。使用图核消除匿名图中的实体歧义。第22届ACM信息与知识管理国际会议记录，第1037-1046页。
[71] Hido，S.和Kashima，H.（2009年）。线性时间图内核。第九届IEEE数据挖掘国际会议论文集，第179-188页。
[72] Horv´ath，T.、G¨artner，T.和Wrobel，S.（2004）。预测图挖掘的循环模式核。第十届ACM SIGKDD知识发现和数据挖掘国际会议论文集，第158-167页。
[73] Jethava，V.、Martinsson，A.、Bhattacharyya，C.和Dubhashi，D.（2013）。Lov´aszϑ函数、SVM和查找稠密子图。机器学习研究杂志，14（1），3495-3536·Zbl 1317.68165号
[74] Jie，B.，Liu，M.，Jiang，X.，&Zhang，D.（2016）。基于子网络的脑网络分类核。第七届ACM生物信息学、计算生物学和健康信息学国际会议论文集，第622-629页。
[75] Jie，B.、Zhang，D.、Wee，C.-Y和Shen，D.（2014）。用于轻度认知损伤分类的多阈值功能连接网络拓扑图核。人脑绘图，35（7），2876-2897。
[76] Johansson，F.、Jethava，V.、Dubhashi，D.和Bhattacharyya，C.（2014）。使用几何嵌入的全局图核。《第31届机器学习国际会议论文集》，第694-702页。
[77] Kanewala，U.、Bieman，J.M.和Ben-Hur，A.（2016）。预测科学软件测试的变形关系：一种使用图核的机器学习方法。软件测试、验证和可靠性，26（3），245-269。
[78] Kashima，H.、Tsuda，K.和Inokuchi，A.（2003）。标记图之间的边缘化核。《第20届机器学习会议论文集》，第321-328页。
[79] Kataoka，T.和Inokuchi，A.（2016年）。用于对图进行分类的Hadamard码图核。《第五届模式识别应用与方法国际会议论文集》，第24-32页。
[80] Kearnes，S.、McCloskey，K.、Berndl，M.、Pande，V.和Riley，P.（2016）。分子图卷积：超越指纹。计算机辅助分子设计杂志，30（8），595-608。
[81] Kersting，K.、Kriege，N.M.、Morris，C.、Mutzel，P.和Neumann，M.（2016）。图形内核的基准数据集。。http://graphkernels.cs.tu-dortmund.de。
[82] Kondor，R.和Pan，H.（2016）。多尺度拉普拉斯图核。神经信息处理系统进展，第2990-2998页。
[83] Kondor，R.I.和Lafferty，J.（2002年）。图和其他离散输入空间上的扩散核。《第19届机器学习国际会议论文集》，第2卷，第315-322页。
[84] Kriege，N.和Mutzel，P.（2012年）。属性图的子图匹配内核。第29届国际机器学习会议记录，第291-298页。
[85] Kriege，N.、Neumann，M.、Kersting，K.和Mutzel，P.（2014）。显式与隐式图形特征映射：行走内核的计算阶段转换。2014年IEEE国际数据挖掘会议记录，第881-886页。
[86] Kriege，N.M.、Giscard，P.-L.和Wilson，R.（2016）。有效最优分配核及其在图分类中的应用。《神经信息处理系统进展》，第1623-1631页。
[87] Kriege，N.M.、Johansson，F.D.和Morris，C.（2020年）。关于图核的综述。应用网络科学，5（1），1-42。
[88] Kriege，N.M.、Morris，C.、Rey，A.和Sohler，C.（2018年）。图核理论表示性的一个属性测试框架。第27届国际人工智能联合会议记录，第2348-2354页。
[89] Kundu，K.、Costa，F.和Backofen，R.（2013）。一种用于无对齐结构域-肽相互作用预测的图核方法，并应用于人类sh3结构域。生物信息学，29（13），i335-i343。
[90] Lazebnik，S.、Schmid，C.和Ponce，J.（2006）。超越特征袋：识别自然场景类别的空间金字塔匹配。《2006年计算机视觉和模式识别会议论文集》，第2卷，第2169-2178页。
[91] Lei，T.、Jin，W.、Barzilay，R.和Jaakkola，T.（2017）。从序列核和图核导出神经结构。第34届机器学习国际会议论文集，第2024-2033页。
[92] Levi，G.（1973年）。关于两个有向图或无向图的最大公共子图的推导的注记。卡尔科洛，9（4），341·Zbl 0261.05132号
[93] Li，B.、Zhu，X.、Chi，L.和Zhang，C.（2012）。流上大规模图分类的嵌套子树散列核。第十二届IEEE数据挖掘国际会议论文集，第399-408页。
[94] Li，M.，Leung，H.，Liu，Z.，&Zhou，L.（2016a）。基于自适应图构造的基于图核的三维人体运动检索。计算机与图形，54，104-112。
[95] Li，W.、Saidi，H.、Sanchez，H.，Sch¨af，M.和Schweitzer，P.（2016b）。通过Weisfeiler-Leman图内核检测类似程序。《第十五届软件重用国际会议论文集》，第315-330页。
[96] Li，Y.、Tarlow，D.、Brockschmidt，M.和Zemel，R.（2016c）。门控图序列神经网络。第四届国际学习代表大会。
[97] L¨osch，U.、Bloehdorn，S.和Rettinger，A.（2012年）。RDF数据的图形内核。《第九届扩展语义网络会议论文集》，第134-148页。
[98] Lov´asz，L.（1979）。关于图的香农容量。IEEE信息理论汇刊，25（1），1-7·Zbl 0395.94021号
[99] Mahboubi，A.、Brun，L.和Dup´e，F.-X.（2010年）。基于图核的对象分类。《2010年高性能计算与仿真国际会议论文集》，第385-389页。
[100] Mah´e，P.、Ueda，N.、Akutsu，T.、Perret，J.-L.和Vert，J.-P.（2004）。边缘化图核的扩张。《第21届机器学习国际会议论文集》，第70页。
[101] Mah´e，P.、Ueda，N.、Akutsu，T.、Perret，J.-L.和Vert，J.-P.（2005）。用支持向量机进行分子结构-活性关系分析的图形核。化学信息与建模杂志，45（4），939-951。
[102] Mah´e，P.和Vert，J.-P.（2009年）。基于分子的树模式绘制内核。机器学习，75（1），3-35·Zbl 1473.68154号
[103] Massimo，C.M.、Navarin，N.和Sperduti，A.（2016年）。通过多核学习实现图形核的超参数调整。《第23届国际神经信息处理会议论文集》，第214-223页。
[104] Matula，D.W.和Beck，L.L.（1983年）。最小排序聚类和图着色算法。美国医学会杂志，30（3），417-427·兹比尔062868054
[105] Micheli，A.（2009年）。图的神经网络：上下文构造方法。IEEE神经网络汇刊，20（3），498-511。
[106] Mihalcea，R.和Tarau，P.（2004）。TextRank：给文本排序。2004年自然语言处理实证方法会议论文集。
[107] Mikolov，T.、Sutskever，I.、Chen，K.、Corrado，G.S.和Dean，J.（2013）。单词和短语的分布式表示及其组成。《神经信息处理系统进展》，第3111-3119页。
[108] Mokhtari，F.和Hossein-Zadeh，G.-A.（2013年）。在fMRI连接网络中使用后向边缘消除和图形核解码大脑状态。神经科学方法杂志，212（2），259-268。
[109] Morris，C.、Kersting，K.和Mutzel，P.（2017年）。全局化Weisfeiler-Lehman图核：图的全局-局部特征映射。2017年IEEE国际数据挖掘会议记录，第327-336页。
[110] Morris，C.、Kriege，N.M.、Kersting，K.和Mutzel，P.（2016）。通过哈希实现具有连续属性的图的更快内核。第16届IEEE数据挖掘国际会议论文集，第1095-1100页。
[111] Morris，C.、Rattan，G.和Mutzel，P.（2020年）。Weisfeiler和Leman变得稀疏：走向可伸缩的高阶图嵌入。《神经信息处理系统进展》，第33卷，第21824-21840页。
[112] Morris，C.、Ritzert，M.、Fey，M.，Hamilton，W.L.、Lenssen，J.E.、Rattan，G.和Grohe，M.（2019年）。Weisfeiler和Leman Go神经网络：高阶图形神经网络。在第33届AAAI人工智能会议的会议记录中。
[113] Moschitti，A.（2004）。浅层语义分析中卷积核的研究。《计算语言学协会第42届年会会议记录》，第335-342页。
[114] Moschitti，A.（2006年A）。依赖和成分句法树的高效卷积核。《第17届欧洲机器学习会议记录》，第318-329页。
[115] Moschitti，A.（2006年b）。使树内核适用于自然语言学习。计算语言学协会欧洲分会第十一届会议记录。
[116] Moschitti，A.、Pighin，D.和Basili，R.（2008年）。语义角色标记的树内核。计算语言学，34（2），193-224。
[117] Murphy，R.、Srinivasan，B.、Rao，V.和Ribeiro，B.（2019年）。图表示的关系池。第36届国际机器学习会议记录，第4663-4673页。
[118] Narayanan，A.、Meng，G.、Yang，L.、Liu，J.和Chen，L.（2016）。用于恶意软件检测的上下文Weisfeiler-Lehman图形内核。《2016年国际神经网络联合会议论文集》，第4701-4708页。
[119] Navarin，N.、Tran，D.V.和Sperduti，A.（2018年）。带核的预训练图神经网络。arXiv预印arXiv:1811.06930。
[120] Neumann，M.、Garnett，R.、Bauckhage，C.和Kersting，K.（2016）。传播核：传播信息的有效图形核。机器学习，102（2），209-245·Zbl 1357.68178号
[121] Neumann，M.、Moreno，P.、Antanas，L.、Garnett，R.和Kersting，K.（2013年）。任务相关机器人抓取中用于对象类别预测的图形内核。第十一届图形挖掘与学习研讨会论文集。
[122] Nikolentzos，G.、Meladianos，P.、Limnios，S.和Vazirgiannis，M.（2018年）。图相似性的退化框架。第27届国际人工智能联合会议记录，第2595-2601页。
[123] Nikolentzos，G.、Meladianos，P.、Rousseau，F.、Stavrakas，Y.和Vazirgiannis，M.（2017）。文档相似性的最短路径图形内核。《2017年自然语言处理实证方法会议论文集》，第1890-1900页。
[124] Nikolentzos，G.、Meladianos，P.、Tixier，A.J.-P、Skianis，K.和Vazirgiannis，M.（2018）。核图卷积神经网络。第27届国际人工神经网络会议论文集，第22-32页。
[125] Nikolentzos，G.、Meladianos，P.和Vazirgiannis，M.（2017年）。图相似性的匹配节点嵌入。《第31届AAAI人工智能会议记录》，第2429-2435页。
[126] Nikolentzos，G.和Vazirgiannis，M.（2018年）。通过连续嵌入增强图形内核。第27届ACM信息和知识管理国际会议记录，第1583-1586页。
[127] Nikolentzos，G.和Vazirgiannis，M.（2020年）。随机行走图神经网络。《神经信息处理系统进展》，第33卷，第16211-16222页。
[128] Oneto，L.、Navarin，N.、Donini，M.、Sperduti，A.、Aiolli，F.和Anguita，D.（2017）。通过统计学习理论测量图核的表达能力。神经计算，268，4-16。
[129] Orsini，F.、Frasconi，P.和De Raedt，L.（2015）。图形不变量内核。《第24届国际人工智能联合会议论文集》，第3756-3762页。
[130] Prázulj，N.（2007年）。利用graphlet度分布进行生物网络比较。生物信息学，23（2），e177-e183。
[131] Ralaivola，L.、Swamidass，S.J.、Saigo，H.和Baldi，P.（2005）。化学信息学的图形内核。神经网络，18（8），1093-1110。
[132] Ramon，J.和G¨artner，T.（2003）。图形内核的表达性与效率。《第一届挖掘图形、树和序列国际研讨会论文集》，第65-74页。
[133] Rieck，B.、Bock，C.和Borgwardt，K.（2019年）。图分类的持续Weisfeiler-Lehman过程。第36届机器学习国际会议论文集，第5448-5458页。
[134] Riesen，K.和Bunke，H.（2008）。用于基于图形的模式识别和机器学习的IAM图形数据库存储库。《IAPR模式识别及结构和句法模式识别统计技术联合国际研讨会论文集》，第287-297页。
[135] Rupp，M.和Schneider，G.（2010年）。分子相似性的图形核。分子信息学，29（4），266-273。
[136] Sato，K.、Mituyama，T.、Asai，K.和Sakakibara，Y.（2008）。用于结构RNA分析的有向非循环图核。BMC生物信息学，9（1），318。
[137] Scarselli，F.、Gori，M.、Tsoi，A.C.、Hagenbuchner，M.和Monfardini，G.（2009年）。图形神经网络模型。IEEE神经网络汇刊，20（1），61-80。
[138] Schiavinato，M.、Gasparetto，A.和Torsello，A.（2015）。结构分类的传递赋值核。第三届基于相似性的模式识别国际研讨会论文集，第146-159页·Zbl 1461.68198号
[139] Schietgat，L.、Fannes，T.和Ramon，J.（2015）。预测蛋白质功能和蛋白质配体与三维邻域核的相互作用。《第18届发现科学国际会议论文集》，第221-235页。
[140] Sch¨olkopf，B.和Smola，A.J.（2002）。使用内核学习：支持向量机、正则化、优化及其他。麻省理工学院出版社。
[141] 塞德曼，S.B.（1983）。网络结构和最低程度。社交网络，5（3），269-287。
[142] Shahnazian，D.、Mokhtari，F.和Hossein Zadeh，G.-A（2012年）。一种基于Granger因果关系和图核的注意力任务与静止状态的鉴别方法。《2012年国际生物医学工程会议论文集》，第83-88页。
[143] Shawe-Taylor，J.和Cristianini，N.（2004）。模式分析的核心方法。剑桥大学出版社·Zbl 0994.68074号
[144] Shervashidze，N.、Schweitzer，P.、Leeuwen，E.J.v.、Mehlhorn，K.和Borgwardt，K.M.（2011年）。Weisfeiler-Lehman图核。机器学习研究杂志，122539-2561·Zbl 1280.68194号
[145] Shervashidze，N.、Vishwanathan，S.、Petri，T.、Mehlhorn，K.和Borgwardt，K.M.（2009年）。用于大型图形比较的高效Graphlet内核。《国际人工智能与统计会议记录》，第488-495页。
[146] Siglidis，G.、Nikolentzos，G.，Limnios，S.、Giatsidis，C.、Skianis，K.和Vazirgiannis，M.（2020年）。Grakel：python中的图形内核库。机器学习研究杂志，21（54），1-5。
[147] Smalter，A.、Huan，J.和Lushington，G.（2009年）。用于药物虚拟筛选的图形小波对齐核。生物信息学和计算生物学杂志，7（03），473-497。
[148] Smola，A.J.和Kondor，R.（2003）。图的核与正则化。第16届学习理论会议记录，第144-158页·兹比尔1274.68351
[149] Smola，A.J.和Vishwanathan，S.（2003）。用于字符串和树匹配的快速内核。《神经信息处理系统进展》，第585-592页。
[150] Sperduti，A.和Starita，A.（1997年）。结构分类的监督神经网络。IEEE神经网络汇刊，8（3），714-735。
[151] Strobbe，T.、Verstraeten，R.、De Meyer，R.和Van Campenhout，J.等人（2016年）。使用一类支持向量机和图核自动检测建筑风格。建筑自动化，69，1-10。
[152] Stumm，E.、Mei，C.、Lacroix，S.、Nieto，J.、Hutter，M.和Siegwart，R.（2016）。具有图形核的鲁棒视觉位置识别。2016年IEEE计算机视觉和模式识别会议记录，第4535-4544页。
[153] Su，Y.、Han，F.、Harang，R.E.和Yan，X.（2016）。属性图的快速核。2016年SIAM国际数据挖掘会议记录，第486-494页。
[154] Suarez-Tangil，G.、Tapiador，J.E.、Peris-Lopez，P.和Ribagorda，A.（2014）。智能设备恶意软件的发展、检测和分析。IEEE通信调查与教程，16（2），961-987。
[155] Sugiyama，M.和Borgwardt，K.M.（2015）。在随机行走内核中停止。《神经信息处理系统进展》，第1639-1647页。
[156] Sutherland，J.J.、O'Brien，L.A.和Weaver，D.F.（2003）。用遗传算法进行样条拟合：一种开发分类结构-活性关系的方法。化学信息与计算机科学杂志，43（6），1906-1915。
[157] Swain，M.J.和Ballard，D.H.（1991）。颜色索引。国际计算机视觉杂志，7（1），11-32。
[158] Swamidass，S.J.、Chen，J.、Bruand，J.，Phung，P.、Ralaivola，L.和Baldi，P.（2005）。小分子核的诱变性、毒性和抗癌活性预测。生物信息学，21（增刊1），i359-i368。
[159] Takerkart，S.、Auzias，G.、Thirion，B.和Ralaivola，L.（2014）。fMRI数据的基于图形的学科间模式分析。公共科学图书馆，9（8），e104586。
[160] Togninalli，M.、Ghisu，E.、Llinares-L´opez，F.、Rieck，B.和Borgwardt，K.（2019年）。Wasserstein Weisfeiler-Lehman图核。《神经信息处理系统进展》，第6439-6449页。
[161] Toivonen，H.、Srinivasan，A.、King，R.、Kramer，S.和Helma，C.（2003）。2000-2001年预测毒理学挑战的统计评估。生物信息学，19（10），1183-1193。
[162] Vega-Pons，S.和Avesani，P.（2013）。通过图形内核进行大脑解码。《2013年神经成像模式识别国际研讨会论文集》，第136-139页。
[163] Vega-Pons，S.、Avesani，P.、Andric，M.和Hasson，U.（2014年）。基于图核的学科间fMRI数据分类。《2014年神经成像模式识别国际研讨会论文集》，第1-4页。
[164] Vert，J.-P.（2002年）。用于分析系统发育概况的树核。生物信息学，18（补充1），S276-S284。
[165] Vert，J.-P.（2008）。最优分配核不是正定的。CoRR，abs/0801.4061。
[166] Vishwanathan，S.、Schraudolph，N.N.、Kondor，R.和Borgwardt，K.M.（2010）。图形内核。机器学习研究杂志，11201-1242·Zbl 1242.05112号
[167] Wagner，C.、Wagener，G.、State，R.和Engel，T.（2009年）。利用图核和支持向量机进行恶意软件分析。《第四届恶意软件国际会议论文集》，第63-68页。
[168] Wale，N.、Watson，I.和Karypis，G.（2008）。用于化合物检索和分类的描述符空间的比较。知识与信息系统，14（3），347-375。
[169] Wang，L.和Sahbi，H.（2013）。用于动作识别的有向非循环图核。《2013年IEEE计算机视觉国际会议论文集》，第3168-3175页。
[170] Weisfeiler，B.和Lehman，A.（1968年）。将图还原为标准形式的过程中产生的代数。Nauchno-Technicheskaya Informatsia，2（9），12-16。
[171] Weissman，T.、Ordentlich，E.、Seroussi，G.、Verdu，S.和Weinberger，M.J.（2003）。经验分布偏差的不等式。Hewlett-Packard实验室技术代表。
[172] Williams，C.K.和Seeger，M.（2001年）。使用Nystr–om方法加速内核机器。《神经信息处理系统进展》，第682-688页。
[173] Wu，B.，Yuan，C.，&Hu，W.（2014）。基于上下文相关图核的人体行为识别。《2014年IEEE计算机视觉和模式识别会议论文集》，第2609-2616页。
[174] Wu，Z.、Pan，S.、Chen，F.、Long，G.、Zhang，C.和Philip，S.Y.（2020）。图形神经网络综述。IEEE神经网络和学习系统汇刊，32（1），4-24。
[175] Xu，K.、Hu，W.、Leskovec，J.和Jegelka，S.（2019年）。图形神经网络有多强大？。InIn第七届国际学习代表大会。
[176] Yanardag，P.和Vishwanathan，S.（2015a）。稳健图比较的结构平滑框架。神经信息处理系统进展，第2125-2133页。
[177] Yanardag，P.和Vishwanathan，S.（2015b）。深度图形内核。第21届ACM SIGKDD知识发现和数据挖掘国际会议论文集，第1365-1374页。
[178] Ying，Z.、You，J.、Morris，C.、Ren，X.、Hamilton，W.和Leskovec，J.（2018）。具有可微分池的层次图表示学习。《神经信息处理系统进展》，第4801-4811页。
[179] Zelenko，D.、Aone，C.和Richardela，A.（2003）。关系提取的核方法。机器学习研究杂志，3（2月），1083-1106·Zbl 1061.68565号
[180] Zhang，L.，Song，M.，Liu，X.，Bu，J.，&Chen，C.（2013）。用于对象分类的快速多视图分段图核。信号处理，93（6），1597-1607。
[181] Zhang，M.，Cui，Z.，Neumann，M.和Chen，Y.（2018a）。用于图形分类的端到端深度学习体系结构。《第32届AAAI人工智能会议论文集》，第4438-4445页。
[182] Zhang，Wang，M.，Xiang，Y.，Huang，Y.和Nehorai，A.（2018b）。RetGK：基于随机游动返回概率的图核。神经信息处理系统进展，第3968-3978页
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。