Python知识分享网 - 专业的Python学习网站 学Python,上Python222
PyQt5中文教程 PDF 下载
发布于:2023-11-27 10:19:00
(假如点击没反应,多刷新两次就OK!)

PyQt5中文教程 PDF 下载  图1

 

 

 

资料内容:

 

 

1.5.1图特征选择
现实世界中的数据通常是高维度的并且存在嘈杂的不相关和多余的特征
维度尤其是在考虑给定任务时特征选择旨在自动地选择一小部分特征这些子
具有最小的冗余度但与学习目标例如在监督学习中的类标签最大相关性
许多应用中原始特征对于知识提取和模型解释至关重要例如在用于研究癌
症的遗传分析中除了区分癌组织鉴定诱导癌发生的基因原始特征更重要
在这些应用中特征选择是优先考虑的因为它可以保留原始特征并且它们的语
义通常为学习问题提供关键的见解和解释传统特征选择假定数据实例是独立同分
布的i.i.d.然而许多应用中的数据样本都鼠人在图上此它们在本质上不是
立同分布的这推动了图特征选择的研究领域给定图g = {v,£},其中V是节
点集是边集假设每个节点最初都与一组维度为d的特征T =
相关联图特征选择旨在从尸中选择K个特征其中K " 首先在有监督的
情况下对该问题进行了研究5, 6这些方法使用线性分类器将所选特征映射到类别标
并引人图正则化项以捕获结构信息来选择特征特别地该正则项旨在确保具
有所选特征的连接的节点可以映射到相似的标签中然后在无监督的情况下对问题
进行了进一步研究7&9j在文献9它首先从结构信息中提取伪标签后用伪
标签充当监督信息指导特征选择过程在文献⑺中假定节点内容和结构信息都是
从一组高质量的特征中生成的而这些特征可以通过最大化生成过程获得在后续的
作中问题从简单图扩展到复杂图例如动态图1}多维图有符号图2.13
和属性图网1章绪论
1.5.2图表示学习
与图特征选择不同图表示学习是学习一组新的节点特征它已经被深入研究了
数十年并且通过深度学习得到了极大的加速本节将简要回顾从浅层模型到深层模
型的历史过程
在早期阶段图表示学习已经在谱聚类15, 16基于图的降维17,18,19和矩阵分
0 18. 19的背景下进行了研究在谱聚类中数据点被视为图的节点然后聚类
问题变成了将图划分为节点社区谱聚类的关键一步是谱嵌入它旨在将节点嵌入低
维空间中在该空间中可以将传统的聚类算法K-Means 应用于识别聚类
于图的降维技术可以直接应用于学习节点表示这些方法通常基于数据样本的原始特
使用预定义的距离或相似度函数构建亲和度图然后通过保留该亲和度图的
结构信息学习节点表示例如IsoMap网通过测地线保留全局几何LLEP9
eigenmap阿保留亲和图中的局部邻域信息因为前述方法经常需要在亲和矩阵
接矩阵或拉普拉斯矩阵上进行特征分解所以它们通常具有很高的计算复杂度
阵是表示图例如邻接矩阵和拉普拉斯矩阵最流行的方法之一矩阵分解可以自然
地应用于学习节点表示使用邻接矩阵来表示图作为示例矩阵分解的目的是将节点
嵌入低维空间中在该空间中可以利用新的节点表示重建邻接矩阵文档语料库可以
表示以文档和单词为节点的二分图如果一个单词出现在某个文档中9单词和对应
的文档之间存在一条边LSI已采用截断奇异值分解truncated SVD学习文档和
单词的表示形式网在推荐系统中用户和商品之间的交互可以表示为二分图
阵分解既被用于推荐系统学习用户和商品的表示⑵也被用于节点分类22, 23链接
预测2,2切和社区检测26等任务学习节点表示实际上后文介绍的一系列最新的
图嵌入算法也可以归为矩阵分解27