利用相异表示的 R\'enyi 熵设计标记图分类器
计算机视觉与模式识别
2017-05-11 v7 信息论
math.IT
机器学习
摘要
将模式表示为标记图在计算智能的广泛领域中正变得日益普遍。因此，如今已有大量的模式识别工具（如分类器和知识发现过程）可供使用，并已在各种标记图数据集上进行了测试。然而，设计在标记图空间中运行的有效学习过程仍然是一个具有挑战性的问题，尤其是从计算复杂度的角度来看。在本文中，我们对一种通用图分类器进行了重大改进，该分类器基于相异表示、聚类、信息论技术和进化优化算法之间的相互作用而构思。改进侧重于设计用于压缩输入数据的特定关键子程序。我们证明了几个定理，这些定理对于设定控制此类压缩操作的参数至关重要。通过在知名标记图数据集上对开发的变体进行基准测试，我们展示了所得分类器的有效性，考虑的分类性能指标包括分类准确率、计算时间以及合成分类模型结构复杂性方面的简约性。结果表明，在测试集准确率方面达到了最先进水平 (state-of-the-art)，并且在计算时间方面实现了显著加速。
引用
@article{arxiv.1408.5286,
title = {Designing labeled graph classifiers by exploiting the R\'enyi entropy of the dissimilarity representation},
author = {Lorenzo Livi},
journal= {arXiv preprint arXiv:1408.5286},
year = {2017}
}
备注
Revised version