Graph classification based on graph set reconstruction and graph kernel feature reduction

نمودار، یک نوع داده ساختار یافته، به طور گسترده ای برای مدل سازی ارتباطات پیچیده بین اشیاء استفاده می شود و در زمینه های مختلف علمی و مهندسی مانند بیوانفورماتیک، تشخیص نفوذ شبکه، شبکه اجتماعی و غیره استفاده شده است. ساخت یک طبقه بندی اتوماتیک و بسیار دقیق روش برای نمودارها برای پیش بینی نمودارهای ناشناخته یا شناخت ساختارهای پیچیده در میان گروههای مختلف کاملا ضروری است. روش هسته به عنوان یک راه حل قدرتمند برای طبقه بندی گراف، که شامل دو مرحله، یعنی نقشه برداری و طبقه بندی هسته گراف است، محسوب می شود. با این حال، فرآیند انتخاب ویژگی نادیده گرفته می شود، و آن زیر ساختارها با قدرت اختلال پایین منجر به کاهش دقت طبقه بندی می شود. برای حل این مشکل، ما یک الگوریتم طبقه بندی کارایی گراف را بر اساس بازسازی مجموعه گراف و کاهش ویژگی های هسته گراف ارائه می دهیم. اول از همه، حداقل الگوریتم های مکرر تشخیصی و بخشی از زیرگراف های نادر، برای بازسازی مجموعه گراف اصلی حذف می شوند. سپس روش تجزیه و تحلیل مبتنی بر گراف بر پایه هسته را برای انجام کاهش ویژگی در مجموعه گراف به خوبی بازسازی می کنیم. در نهایت، کل چارچوب روش طبقه بندی گراف ها معرفی شده است و هر دسته بندی معمول استفاده می شود. نتایج تجربی گسترده در مجموعه ای از معیارهای بیوانفورماتیک نشان می دهد که الگوریتم طبقه بندی گراف ما نشان می دهد که بهبود قابل توجهی از پیش بینی در مقایسه با دیگر روش طبقه بندی مبتنی بر هسته گراف.