کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4946895 1439559 2017 42 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Measuring the expressivity of graph kernels through Statistical Learning Theory
ترجمه فارسی عنوان
اندازه گیری اکسپلویت هسته های گراف را از طریق تئوری یادگیری آماری
کلمات کلیدی
ترجمه چکیده
هسته ها برای دامنه های ساخت یافته به طور گسترده در برنامه های دنیای واقعی که شامل یادگیری بر روی داده های ساختاری هستند، پذیرفته می شوند. در این زمینه، بسیاری از هسته ها در ادبیات ارائه شده است، اما هیچ مقایسه تئوری در میان آنها وجود ندارد. در این مقاله، با استفاده از جدیدترین نتایج در زمینه تئوری یادگیری آماری، تعاریف رسمی مختلفی از بیان یک هسته ارائه می شود و تجزیه و تحلیل تفاوت ها در میان برخی از هسته های پیشرفته گراف. نتایج بر روی داده های دنیای واقعی برخی خواص شناخته شده هسته های گراف را تایید می کنند، نشان می دهد که نظریه یادگیری آماری در واقع یک ابزار قدرتمند و عملی است که قادر به انجام این تحلیل است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
اندازه گیری اکسپلویت هسته های گراف را از طریق تئوری یادگیری آماری
چکیده انگلیسی
Kernels for structured domains are widely adopted in real-world applications that involve learning on structured data. In this context many kernels have been proposed in literature, but no theoretical comparison among them is present. In this paper we provide different formal definitions of expressiveness of a kernel by exploiting the most recent results in the field of Statistical Learning Theory, and analyze the differences among some state-of-the-art graph kernels. Results on real world datasets confirm some known properties of graph kernels, showing that Statistical Learning Theory is indeed a powerful and practical tool able to perform this analysis.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 268, 13 December 2017, Pages 4-16
نویسندگان
, , , , , ,