×
马里恩·诺伊曼；罗曼·加内特；克里斯蒂安·巴克哈奇；克里斯汀·克斯汀

传播核：传播信息的有效图形核。 （英语） Zbl 1357.68178号

机器。学习。 102209-245号（2016）.
小结：我们介绍传播核是一个通用的图形核框架，用于有效地测量结构化数据的相似性。传播内核基于监视信息如何通过一组给定的图传播。它们利用传播方案的早期分布（如随机行走）来捕获编码在节点标签、属性和边缘信息中的结构信息。这有两个好处。首先，离线传播方案可以用于自然地构造许多图类型的内核，包括标记图、部分标记图、未标记图、有向图和属性图。其次，通过利用现有的高效且信息丰富的传播方案，传播内核可以比最先进的方法快得多，而不会牺牲预测性能。我们还将说明，如果手头的图形具有规则结构，例如在建模图像或视频数据时，可以利用此规则将内核计算扩展到具有数千个节点的大型图形数据库。我们通过对来自各种应用领域的大量真实世界图形进行详尽的实验来支持我们的贡献。

引用于8文件

MSC公司：

68T05型 人工智能中的学习和自适应系统
05C81号 图上的随机游动
68兰特 计算机科学中的图论（包括图形绘制）
94甲17 信息的度量，熵

关键词：

用图形学习；图核；随机游走；局部敏感散列；卷积

软件：

基准图内核；布伦达；AFGen公司
PDF格式BibTeX公司 XML格式引用
\textit{M.Neumann}等人，马赫。学习。102，第2号，209--245（2016；Zbl 1357.68178）
全文： 内政部

参考文献：

[1] Bauckhage，C.和Kersting，K.（2013年）。离散格上的高效信息理论聚类（2013）。arxiv:1310.7114。
[2] Borgwardt，K.和Kriegel，H.P.（2005）。图上的最短路径核。《国际数据挖掘会议记录》（ICDM-05），第74-81页。
[3] Datar，M.和Indyk，P.（2004）。基于p-稳定分布的局部敏感散列方案。《计算几何第20届年度研讨会论文集》（SCG-2004），第253-262页·Zbl 1373.68193号
[4] Debnath，A.、de Compadre，R.L.、Debnath，G.、Schusterman，A.和Hansch，C.（1991年）。诱变芳香族和杂芳香族硝基化合物的构效关系。与分子轨道能量和疏水性的关系。药物化学杂志，34（2），786-797·doi:10.1021/jm00106a046
[5] Desrosiers，C.和Karypis，G.（2009年）。使用局部结构相似性进行网络分类。《欧洲数据库机器学习和知识发现会议记录》（ECML/PKDD-09），第260-275页。
[6] Dobson，P.D.和Doig，A.J.（2003）。在没有比对的情况下区分酶结构和非酶结构。《分子生物学杂志》，330（4），771-783·doi:10.1016/S0022-2836（03）00628-4
[7] 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，26（NIPS-13），216-224。
[8] Gallagher，B.、Tong，H.、Eliassi-Rad，T.和Faloutsos，C.（2008）。在稀疏标记网络中使用虚边进行分类。第14届ACM SIGKDD知识发现和数据挖掘国际会议论文集（KDD-08），第256-264页。
[9] Gärtner，T.、Flach，P.A.和Wrobel，S.（2003）。关于图核：硬度结果和有效的替代品。在《计算学习理论与核机器论文集》（COLT-03），第129-143页·Zbl 1274.68312号
[10] Gersho，A.和Gray，R.（1991年）。矢量量化和信号压缩。马萨诸塞州诺威尔：Kluwer学术出版社·Zbl 0782.94001号
[11] Haralick，R.M.、Shanmugam，K.和Dinstein，I.H.（1973）。图像分类的纹理特征。IEEE系统、人与控制论汇刊，SMC-3（6），610-621·doi:10.1109/TSMC.1973.4309314
[12] Harchaoui，Z.和Bach，F.（2007年）。基于分割图核的图像分类。在CVPR中。IEEE计算机协会。
[13] Haussler，D.（1999）。离散结构上的卷积核。加州大学圣克鲁斯分校计算机科学系技术代表。
[14] Hido，S.和Kashima，H.（2009年）。一个线性时间图内核。第九届IEEE数据挖掘国际会议论文集（ICDM-09），第179-188页。
[15] Horváth，T.、Gärtner，T.和Wrobel，S.（2004）。用于预测图挖掘的循环模式核。《数据库中的知识发现程序》（KDD-04），第158-167页。
[16] Hwang，T.和Kuang，R.（2010年）。一种用于疾病基因发现的异质标记传播算法。《SIAM国际数据挖掘会议记录》（SDM-10），第583-594页。
[17] Jaakkola，T.和Haussler，D.（1998年）。在区分分类器中开发生成模型。神经信息处理系统进展，11（NIPS-98），487-493。
[18] Jähne，B.（2005年）。数字图像处理（第6版）。柏林：斯普林格。
[19] Jebara，T.、Kondor，R.和Howard，A.（2004）。概率乘积核。机器学习研究杂志，5819-844·Zbl 1222.68226号
[20] Kashima，H.、Tsuda，K.和Inokuchi，A.（2003）。标记图之间的边缘化核。《第20届机器学习国际会议论文集》（ICML-03），第321-328页。
[21] Kersting，K.、Mladenov，M.、Garnett，R.和Grohe，M.（2014年）。力量迭代颜色细化。第28届AAAI人工智能会议记录（AAAI-14），第1904-1910页·Zbl 1242.05112号
[22] Kondor，R.和Jebara，T.（2003）。向量集之间的核。《第二十届机器学习国际会议论文集》（ICML-03），第361-368页。
[23] Kondor，R.I.和Lafferty，J.D.（2002年）。图和其他离散输入空间上的扩散核。《第十九届机器学习国际会议论文集》（ICML-02），第315-322页。
[24] Kriege，N.和Mutzel，P.（2012年）。属性图的子图匹配核。第29届机器学习国际会议（ICML-12）论文集。
[25] Lafferty，J.和Lebanon，G.（2002年）。信息扩散核。神经信息处理系统进展，22（NIPS-02），375-382。
[26] Lin，F.和Cohen，W.W.（2010）。幂迭代聚类。第27届机器学习国际会议论文集（ICML-10），第655-662页。
[27] Lovász，L。；Miklós，D.（编辑）；SóS，VT（编辑）；Szőnyi，T.（编辑），《图上的随机行走：一项调查》，第2期，353-398（1996），布达佩斯·Zbl 0854.60071号
[28] Mahé，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 ·doi:10.1007/s10994-008-5086-2
[29] Moreno，P.、Ho，P.和Vasconcelos，N.（2003年）。一种基于Kullback-Leibler散度的核函数，用于多媒体应用中的SVM分类。《神经信息处理系统进展》，it 23（NIPS-03），1385-1392。
[30] Neumann，M.、Garnett，R.和Kersting，K.（2013）。重合行走内核：用于学习图形和少量标签的并行吸收随机行走。在亚洲机器学习会议（ACML-13）上，第357-372页。
[31] Neumann，M.、Hallau，L.、Klatt，B.、Kersting，K.和Bauckhage，C.（2014）。基于手机图像的植物病害分类侵蚀带特征。《第22届模式识别国际会议论文集》（ICPR-14），第3315-3320页。
[32] 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核。在伊利诺伊州芝加哥举行的第十一届挖掘和图形学习研讨会（MLG-13）上。
[33] Neumann，M.、Patricia，N.、Garnett，R.和Kersting，K.（2012年）。通过随机化实现高效的图内核。在关于数据库中的机器学习和知识发现的欧洲会议（ECML/PKDD-12）上，第378-393页。
[34] Ojala，T.、Pietikäinen，M.和Mäenpää，T.（2002）。具有局部二值模式的多分辨率灰度和旋转不变纹理分类。IEEE模式分析和机器智能汇刊，24（7），971-987·doi:10.1109/TPAMI.2002.1017623
[35] Ramon，J.和Gärtner，T.（2003）。图核的表达性与效率。《第一届采矿图、树和序列国际研讨会论文集》，第65-74页·Zbl 1280.68194号
[36] Schomburg，I.、Chang，A.、Ebeling，C.、Gremse，M.、Heldt，C.、Huhn，G.等人（2004年）。布伦达，酶数据库：更新和主要新发展。核酸研究，32（数据库发行），431-433·doi:10.1093/nar/gkh081
[37] Shervashidze，N.、Schweitzer，P.、van Leeuwen，E.、Mehlhorn，K.和Borgwardt，K.（2011）。魏斯费勒-勒曼图核。机器学习研究杂志，122539-2561·Zbl 1280.68194号
[38] Shervashidze，N.、Vishwanathan，S.、Petri，T.、Mehlhorn，K.和Borgwardt，K.（2009年）。用于大型图形比较的高效graphlet内核。机器学习研究进展跟踪杂志，5488-495。
[39] Shi，Q.、Petterson，J.、Dror，G.、Langford，J.、Smola，A.J.和Vishwanathan，S.V.N.（2009年）。结构化数据的哈希内核。机器学习研究杂志，102615-2637·Zbl 1235.68188号
[40] Szummer，M.和Jaakkola，T.（2001）。马尔可夫随机游动的部分标记分类。神经信息处理系统进展，15（NIPS-01），945-952。
[41] Valkealahti，K.和Oja，E.（1998年）。纹理分类中的简化多维共生直方图。IEEE模式分析和机器智能汇刊，20（1），90-94·数字对象标识代码：10.1109/34.655653
[42] Vishwanathan，S.、Schraudolph，N.、Kondor，R.和Borgwardt，K.（2010年）。图形内核。机器学习研究杂志，11201-1242·Zbl 1242.05112号
[43] Wale，N.和Karypis，G.（2006年）。用于化合物检索和分类的描述符空间的比较。《国际数据挖掘会议记录》（ICDM-06）（第678-689页）。马里兰州银泉：IEEE计算机学会。
[44] Winn，J.M.、Criminisi，A.和Minka，T.P.（2005）。通过学习的通用视觉词典进行对象分类。第十届IEEE计算机视觉国际会议（ICCV-05），第1800-1807页。
[45] Wu，X.M.、Li，Z.、So，A.M.C.、Wright，J.和Chang，S.F.（2012）。通过部分吸收随机行走进行学习。神经信息处理系统进展，26（NIPS-12），3086-3094。
[46] Zhou，D.，Bousquet，O.，Lal，T.N.，Weston，J.，&Schölkopf，B.（2003）。以本地和全球一致性学习。神经信息处理系统进展，17（NIPS-03），321-328。
[47] Zhu，X.、Ghahramani，Z.和Lafferty，J.D.（2003）。使用高斯场和调和函数的半监督学习。《第二十届机器学习国际会议论文集》（ICML-03），第912-919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。