کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4969501 1449973 2018 37 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Diffusion wavelet embedding: A multi-resolution approach for graph embedding in vector space
ترجمه فارسی عنوان
جابجایی موجک اختلاط: یک رویکرد چندتایی برای تعبیه گراف در فضای بردار
کلمات کلیدی
تعبیه گراف طیفی، موجک نفوذ، تجزیه و تحلیل چندگانه، خلاصه گراف، فضای مقیاس،
ترجمه چکیده
در این مقاله، ما یک روش چند بعدی جاسازی گراف را به فضای بردار با استفاده از موجک های انتشار پیشنهاد می کنیم. در هر مقیاس، یک زیرمجموعه جزئی و زیرمجموعه تقریبی مربوط به مقیاس پایین را برای نشان دادن گراف استخراج می کنیم. سپس ویژگی های نماینده در هر مقیاس استخراج می شود تا توصیف مقیاس فضایی گراف ارائه شود. مقیاس پایین تر با استفاده از یک استراتژی ادغام فوق گره بر اساس نزدیک ترین همسایه یا حداکثر مشارکت ساخته می شود و ماتریس مجاورت جدید با استفاده از شناسایی ریشه تولید می شود. این روش اجازه می دهد تا مقایسه نمودار هایی که تفاوت های ساختاری مهم ممکن است در مقیاس های مختلف وجود داشته باشد. علاوه بر این، این روش می تواند قدرت تفکیک بردارهای جاسازی شده را بهبود بخشد و این ویژگی احتمالا به طور کافی در روش های طیفی امکان پذیر است. نتایج تجربی نشان می دهد که افزایش ویژگی های سطوح انتزاعی به ویژگی های گراف، ترسیم های طبقه بندی گراف را در مجموعه داده های مختلف افزایش می دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
جابجایی موجک اختلاط: یک رویکرد چندتایی برای تعبیه گراف در فضای بردار
چکیده انگلیسی
In this article, we propose a multiscale method of embedding a graph into a vector space using diffusion wavelets. At each scale, we extract a detail subspace and a corresponding lower-scale approximation subspace to represent the graph. Representative features are then extracted at each scale to provide a scale-space description of the graph. The lower-scale is constructed using a super-node merging strategy based on nearest neighbor or maximum participation and the new adjacency matrix is generated using vertex identification. This approach allows the comparison of graphs where the important structural differences may be present at varying scales. Additionally, this method can improve the differentiating power of the embedded vectors and this property reduces the possibility of cospectrality typical in spectral methods, substantially. The experimental results show that augmenting the features of abstract levels to the graph features increases the graph classification accuracies in different datasets.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition - Volume 74, February 2018, Pages 518-530
نویسندگان
, , ,