Data-driven graph construction and graph learning: A review

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.