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
相关材料