一种学习属性图之间度量的简单方法

Yacouba Kaloga、Pierre Borganta、Amaury Habrard
第一届图形学习会议记录，PMLR 198:25:1-25:122022年。

摘要

对于许多机器学习方法来说，选择对象之间的良好距离和相似性度量非常重要。因此，近年来开发了许多度量学习算法，主要用于欧几里德数据，以提高分类或聚类方法的性能。然而，由于很难在属性图之间建立可计算、有效和可微的距离，尽管社区对此很感兴趣，但很少开发出适用于图的度量学习算法。本文基于简单卷积神经网络（SGCN）和最优传输理论的元素，提出了一种新的简单图度量学习（SGML）模型，该模型具有较少的可训练参数。该模型允许我们建立与标记（属性）图数据库的适当距离，以提高简单分类算法（如\textdollar k \textdolar-NN）的性能。本文的实验研究表明，这种距离可以快速训练，同时保持良好的性能。

引用本文

BibTeX公司
@会议记录{pmlr-v198-kaloga22a，title={学习属性图之间度量的简单方法}，作者={卡洛加、亚库巴和博尔格塔、皮埃尔和哈布拉德、阿默里}，booktitle={首次图形学习会议记录}，页数={25:1--25:12}，年份={2022}，editor＝{里克，巴斯蒂安和帕斯卡努，拉兹万}，体积={198}，series={机器学习研究论文集}，月={09年12月12日}，publisher={PMLR}，pdf={https://proceedings.mlr.press/v198/kaloga22a/kaloga220a.pdf},url={https://proceedings.mlr.press/v198/kaloga22a.html},摘要={选择对象之间的良好距离和相似性度量对于许多机器学习方法来说都很重要。因此，近年来开发了许多度量学习算法，主要是针对欧几里德数据，以提高分类或聚类方法的性能。然而，由于在建立计算模型时遇到困难属性图之间的距离是可变的、有效的和可微的，尽管社区对此很感兴趣，但很少有适合图的度量学习算法被开发出来。本文基于简单卷积神经网络（SGCN）和最优传输理论的元素，提出了一种新的简单图度量学习（SGML）模型，该模型具有较少的可训练参数。该模型允许我们建立与标记（属性）图数据库的适当距离，以提高简单分类算法（如\textdollar k \textdolar-NN）的性能。如本文所述的实验研究所示，可以快速训练该距离，同时保持良好的性能。}}
尾注
%0会议论文%一种学习属性图之间度量的简单方法%亚库巴·卡洛加%皮埃尔·博格塔%阿默里·哈布拉德%第一届图形学习会议论文集%C机器学习研究进展%D 2022年%E巴斯蒂安·里克%E Razvan Pascanu公司%F pmlr-v198-kaloga22a型%我PMLR%第25:1-25:12页%U型https://proceedings.mlr.press/v198/kaloga22a.html%第198页%X选择对象之间的良好距离和相似性度量对于许多机器学习方法都很重要。因此，近年来开发了许多度量学习算法，主要用于欧几里德数据，以提高分类或聚类方法的性能。然而，由于很难在属性图之间建立可计算、有效和可微的距离，尽管社区对此很感兴趣，但很少开发出适用于图的度量学习算法。在本文中，我们通过基于简单卷积神经网络（SGCN）和最优传输理论的元素，提出一种新的具有少量可训练参数的简单图度量学习（SGML）模型来解决这个问题。该模型允许我们建立与标记（属性）图数据库的适当距离，以提高简单分类算法（如\textdollar k \textdolar-NN）的性能。本文的实验研究表明，这种距离可以快速训练，同时保持良好的性能。
亚太地区
Kaloga，Y.、Borganta，P.和Habrard，A..（2022）。学习属性图之间度量的简单方法。第一届图形学习会议记录，英寸机器学习研究进展198:25:1-25:12网址：https://proceedings.mlr.press/v198/kaloga22a.html。

相关材料