کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6863585 1439515 2018 43 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Data-driven graph construction and graph learning: A review
ترجمه فارسی عنوان
ساخت گرافیک داده و محاسبات گراف: بررسی
کلمات کلیدی
ساخت گراف، فراگیری ماشین، نمایندگی انحصاری، نمایندگی نامناسب، یادگیری چند گراف شبکه مغزی،
ترجمه چکیده
یک نمودار یکی از ابزارهای مهم ریاضی برای توصیف روابط همه جا است. در نظریه گراف کلاسیک و برخی از برنامه های کاربردی، گراف ها به طور کلی به طور پیشینی ارائه می شوند یا می توانند حداقل به وضوح تعریف شوند. بنابراین، تمرکز اصلی این است که اندازه گیری / تجزیه و تحلیل نمودار برای الگوهای اطلاع رسانی معدن. با این حال، برای بسیاری از سناریوهای دنیای واقعی، گراف اغلب نااطمینانه است به این دلیل که داده های مرتبط با رأس ها در گراف بزرگ هستند، پر سر و صدا، توزیع شده متفاوت، و حتی هیچ تعریف روشن نیست. در نتیجه، نیاز به طراحی یا یادگیری نمودار از داده ها قبل از هر گونه تجزیه و تحلیل، که به نوبه خود بر کارهای بعدی تاثیر می گذارد. بنابراین، ساخت گرافیک با کیفیت بالا تبدیل شده است به یک مسئله تحقیق به طور فزاینده داغ، که الهام بخش بسیاری از روش ساخت گرافیک در سال های پیش پیشنهاد شده است. از آنجا که هیچ خلاصه سیستماتیک در این موضوع وجود نداشته است، در این مقاله، ساختار / روش یادگیری جریان اصلی درگیر در هر دو الگوریتم یادگیری ماشین عمومی (شامل یادگیری نیمه نظارتی، خوشه بندی، یادگیری چندجملهای و یادگیری هسته طیفی، و غیره) و برخی از برنامه های خاص (به ویژه، مدل سازی و تجزیه و تحلیل اتصال به عملکرد مغز). علاوه بر این، ما یک چارچوب یادگیری گراف ریشه دار ماتریکس را معرفی می کنیم که می تواند به تعدادی از مدل های ساخت گراف موجود و الگوریتم های جدید یادگیری گراف کمک کند. در نهایت، ما در مورد چند موضوع مرتبط و برخی از پیشنهادهای تحقیقاتی در این زمینه بحث می کنیم.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
A graph is one of important mathematical tools to describe ubiquitous relations. In the classical graph theory and some applications, graphs are generally provided in advance, or can at least be defined clearly. Thus, the main focus is to measure/analyze the graphs for mining informative patterns. However, for many real-world scenarios, the graph is often uncertain due to the fact that data associated with the vertices in the graph are high-dimensional, noisy, differently distributed, and even no clear definition. As a result, one needs to design or learn graphs from data prior to any analysis, which in turn affects the subsequent tasks. Therefore, constructing a high-quality graph has become an increasingly hot research problem, which inspired many graph construction methods being proposed in the past years. Since there has been no systematic summary on this topic, in this paper, we review the main-stream graph construction/learning methods involved in both general machine learning algorithms (including semi-supervised learning, clustering, manifold learning, and spectral kernel learning, etc.) and some specific applications (especially, the modeling and analysis of functional brain connectivity). Additionally, we introduce a matrix-regularized graph learning framework that can benefit to unify some existing graph construction models and develop new graph learning algorithms. Finally, we discuss several related topics and some promising research directions in this field.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 312, 27 October 2018, Pages 336-351
نویسندگان
, , , ,