کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4948332 1439611 2016 20 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
An empirical study on budget-aware online kernel algorithms for streams of graphs
ترجمه فارسی عنوان
یک مطالعه تجربی بر روی الگوریتم های هسته ای آنلاین بودجه برای جریانهای نمودار
کلمات کلیدی
یادگیری آنلاین، هسته گراف، نمودار جریان، آنلاین تهاجمی منفعل،
ترجمه چکیده
روش های هسته ای به عنوان یک روش موثر برای یادگیری آنلاین در نظر گرفته می شود. بسیاری از رویکردها برای فشرده سازی راه حل دوگانه یک روش هسته ای در زمانی که مشکل محدودیت های حافظه را به وجود می آورد، توسعه داده شده است. با این حال، در ادبیات هیچ کار به طور خاص به جریان از نمودار است. انگیزه این واقعیت است که اندازه نمایش فضایی ویژگی های بسیاری از هسته های پیشرفته گراف، نسبتا کوچک است و بنابراین به طور صریح قابل محاسبه است، ما بررسی می کنیم که اجرای الگوریتم های کرنل در فضای ویژگی می تواند موثر تر از کلاسیک باشد رویکرد دوگانه ما سه الگوریتم مختلف و استراتژی های مختلف برای مدیریت بودجه را مطالعه می کنیم. کارایی و کارایی روشهای پیشنهادی به صورت تجربی بر روی نمودارهای جریان گراف نسبتا بزرگ انجام می شود. به نظر می رسد که هنگامی که محدودیت های محدودیت بودجه حافظه باید اجرا شود، کار کردن در فضای ویژگی، با توجه به شرایط فعلی در هسته های گراف، بیش از یک جایگزین مناسب برای رویکردهای دوگانه است، هم از لحاظ سرعت و هم عملکرد طبقه بندی
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
یک مطالعه تجربی بر روی الگوریتم های هسته ای آنلاین بودجه برای جریانهای نمودار
چکیده انگلیسی
Kernel methods are considered as an effective technique for on-line learning. Many approaches have been developed for compactly representing the dual solution of a kernel method when the problem imposes memory constraints. However, in the literature no work is specifically tailored to streams of graphs. Motivated by the fact that the size of the feature space representation of many state-of-the-art graph kernels is relatively small and thus it is explicitly computable, we study whether executing kernel algorithms in the feature space can be more effective than the classical dual approach. We study three different algorithms and various strategies for managing the budget. Efficiency and efficacy of the proposed approaches are experimentally assessed on relatively large graph streams exhibiting concept drift. It turns out that, when strict memory budget constraints have to be enforced, working in feature space, given the current state-of-the-art on graph kernels, is more than a viable alternative to dual approaches, both in terms of speed and classification performance.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 216, 5 December 2016, Pages 163-182
نویسندگان
, , ,