کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6891664 1445269 2018 24 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
The journey of graph kernels through two decades
ترجمه فارسی عنوان
سفر هسته های گراف به دو دهه
کلمات کلیدی
هسته گراف، ماشین آلات بردار پشتیبانی، شباهت گراف، ایزومورفیسم،
ترجمه چکیده
در دنیای واقعی همه وقایع متصل هستند یک شبکه پنهان وابستگی وجود دارد که رفتار رفتارهای طبیعی را کنترل می کند. بدون استدلال بسیار می توان گفت که از تمام ساختارهای داده شناخته شده، نمودار ها به طور طبیعی مناسب برای مدل سازی چنین اطلاعاتی هستند. اما برای یادگیری استفاده از ساختار داده گراف، یک کار خسته کننده است؛ زیرا اکثر عملیات بر روی نمودار ها به صورت محاسباتی گران است، بنابراین بررسی تکنیک های سریع ماشین برای اطلاعات گراف یک منطقه فعال تحقیق است و یک خانواده از الگوریتم هایی که بر اساس روش های هسته شناخته شده است محققان دامنه یادگیری ماشین. با استفاده از ماشین های بردار پشتیبانی، روش های مبتنی بر هسته برای یادگیری با فرایندهای گاوس بسیار خوب عمل می کنند. در این نظرسنجی، هسته های مختلفی را که بر روی نمایش گراف ها کار می کنند، کشف می کنیم. با شروع یادگیری مبتنی بر هسته، ما از طریق تاریخچه هسته های گراف از اولین ظهور خود به بحث در مورد وضعیت فعلی تکنیک های هنر در عمل سفر خواهیم کرد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر علوم کامپیوتر (عمومی)
چکیده انگلیسی
In the real world all events are connected. There is a hidden network of dependencies that governs behavior of natural processes. Without much argument it can be said that, of all the known data-structures, graphs are naturally suitable to model such information. But to learn to use graph data structure is a tedious job as most operations on graphs are computationally expensive, so exploring fast machine learning techniques for graph data has been an active area of research and a family of algorithms called kernel based approaches has been famous among researchers of the machine learning domain. With the help of support vector machines, kernel based methods work very well for learning with Gaussian processes. In this survey we will explore various kernels that operate on graph representations. Starting from the basics of kernel based learning we will travel through the history of graph kernels from its first appearance to discussion of current state of the art techniques in practice.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computer Science Review - Volume 27, February 2018, Pages 88-111
نویسندگان
, , , , ,