图上的特征函数：物以类聚，从统计描述子到参数模型
机器学习
2020-08-18 v2 离散数学
社会与信息网络
机器学习
摘要
在本文中，我们提出一种定义在图顶点上的灵活的特征函数概念，以在多个尺度上描述顶点特征的分布。我们引入FEATHER，一种计算高效的算法，用于计算这些特征函数的特定变体，其中特征函数的概率权重定义为随机游走的转移概率。我们认为该过程提取的特征对节点级机器学习任务有用。我们讨论了这些节点表示的池化，得到图的紧凑描述子，可作为图分类算法的特征。我们分析证明FEATHER以相同表示描述同构图，并对数据损坏表现出鲁棒性。利用节点特征特征函数，我们定义参数模型，其中函数的求值点是监督分类器的学习参数。在真实世界大型数据集上的实验表明，我们提出的算法创建了高质量表示，高效执行迁移学习，对超参数变化表现出鲁棒性，并且随输入大小线性扩展。
引用
@article{arxiv.2005.07959,
title = {Characteristic Functions on Graphs: Birds of a Feather, from Statistical Descriptors to Parametric Models},
author = {Benedek Rozemberczki and Rik Sarkar},
journal= {arXiv preprint arXiv:2005.07959},
year = {2020}
}
备注
Source code is available at: https://github.com/benedekrozemberczki/FEATHER