用于属性图的保邻域核
人工智能
2022-01-21 v1 机器学习
摘要
我们描述了一种适用于属性图的再生核的设计，其中两图之间的相似性借助积图表述、基于图节点的邻域信息来定义。我们将所提核表示为另两个核的加权和：其一为处理图属性信息的 R-卷积核，另一为处理标签信息的最优分配核。它们的构造使得作为核计算一部分被处理的边具有相同的邻域性质，因此所提核在图中被处理的区域间建立了良定义的对应。这些概念也推广至最短路径情形。我们辨识出可映射至此类保邻域框架的 SOTA 核。我们发现，在 Weisfeiler-Lehman 颜色细化算法的每次迭代中，参量图的核值可由我们方法所构造的积图递归获得。通过将所提核结合于支持向量机，我们分析了真实世界数据集，并展现出优于其他 SOTA 图核的性能。
引用
@article{arxiv.2010.06261,
title = {Neighborhood Preserving Kernels for Attributed Graphs},
author = {Asif Salim and Shiju. S. S and Sumitra. S},
journal= {arXiv preprint arXiv:2010.06261},
year = {2022}
}