随机图元嵌入

基于图的方法在许多机器学习和模式分类任务中被认为很成功。这些方法将半结构化数据视为图，其中节点对应于基元（部分、兴趣点、片段等），边刻画这些基元之间的关系。然而，这些非向量化的图数据若不经过初步的——显式/隐式——图向量化与嵌入步骤，无法直接代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，同时具有高度判别性。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，该过程高效解析给定图并无限提取/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。为了构建图表示，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，这些哈希函数以极低的碰撞概率将采样的图元分配到同构集合中。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。