基于高阶图元解析与哈希的图核方法
计算机视觉与模式识别
2018-03-02 v1
摘要
基于图的方法在许多机器学习和模式分类任务中已知是成功的。这些方法将半结构化数据视为图,其中节点对应于基元(部件、兴趣点、片段等),边刻画这些基元之间的关系。然而,这些非向量化图数据若不经初步的——显式/隐式——图向量化与嵌入步骤,无法直接接入现成的机器学习算法。该嵌入过程应对类内图变化具有鲁棒性,同时具备高度判别力。本文提出一种新颖的高阶随机图元嵌入(SGE),将图映射到向量空间。我们的主要贡献包括一种新的随机搜索过程,可高效解析给定图并无限制地提取/采样高阶图元。我们考虑这些阶数递增的图元,以建模局部基元及其日益复杂的交互。为构建图表示,我们使用特定的哈希函数度量这些图元在给定图中的分布,这些函数能将采样的图元高效分配到同构集合中且碰撞概率极低。当与最大间隔分类器结合时,这些基于图元的表示对模式比较与识别性能有积极影响,这通过标准基准数据库的广泛实验得到证实。
引用
@article{arxiv.1803.00425,
title = {Graph Kernels based on High Order Graphlet Parsing and Hashing},
author = {Anjan Dutta and Hichem Sahbi},
journal= {arXiv preprint arXiv:1803.00425},
year = {2018}
}
备注
arXiv admin note: substantial text overlap with arXiv:1702.00156