大网络上的分类：基于基序与 graphon 的定量界
机器学习
2017-10-25 v1 机器学习
摘要
当每个数据点是一个大图时，诸如某些子图（基序）的密度等图统计量可用作机器学习的特征向量。尽管直观，基序计数计算代价高昂且在理论上难以处理。通过 graphon 理论，我们给出了基序同态在生成噪声和采样噪声下区分大网络能力的明确定量界。此外，我们给出了图谱的类似界限，并将其与环的同态密度联系起来。这产生了一种在图数据上易于计算且具有理论性能保证的分类器。我们的方法在自身免疫性疾病红斑狼疮的分类任务上产生了具有竞争力的结果。
引用
@article{arxiv.1710.08878,
title = {Classification on Large Networks: A Quantitative Bound via Motifs and Graphons},
author = {Andreas Haupt and Mohammad Khatami and Thomas Schultz and Ngoc Mai Tran},
journal= {arXiv preprint arXiv:1710.08878},
year = {2017}
}
备注
17 pages, 2 figures, 1 table