半监督图核降维方法

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

摘要：基于图结构的数据表示和分析，在机器学习领域正得到越来越广泛的关注。以往研究主要集中在为图数据定义一个度量其相似性关系的核函数即图核，一旦定义出图核，就可以用标准的支持向量机（SVM）来对图数据进行分类。将图核方法进行扩充，先利用核主成分分析（kPCA）对图核诱导的高维特征空间中的数据进行降维，得到与原始图数据相对应的低维向量表示的数据，然后对这些新得到的数据用传统机器学习方法进行分析；通过在kPCA中利用图数据中的成对约束形式的监督信息，得到基于图核的半监督降维方法。在MUTAG和PTC等标准图数据集上的实验结果验证了所提方法的有效性。

原文链接:http://www.cqvip.com//QK/93336B/201007/34603330.html

送人玫瑰，手留余香~如您已下载到该资源，可在回帖当中上传与大家共享，欢迎来CDA社区交流学习。（仅供学术交流用。）

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：cqvip 主成分分析 支持向量机 机器学习 HTTP 图分类 图核 成对约束 半监督降维