27、加权最大叶生成树的核化研究

加权最大叶生成树的核化研究

1. 引言

在解决加权最大叶问题时,我们将所有顶点权重设置为 1/k 。若允许权重值为 0,通过独立集问题的归约可以证明,得到的问题对 W[1] 来说是困难的,因此我们聚焦于权重至少为 1 的情况。由于顶点间相对权重差异可能较小,参数 k 仍可能取到较小且实用的值。本文的主要成果是,当每个权重都是不小于 1 的有理数时,加权最大叶问题存在一个具有 5.5k 个顶点的核。核化通过一组简单的约简规则实现,这些规则可在线性时间内应用。

2. 预备知识
  • 图的基本概念 :对于图 G = (V, E),用 V(G) 和 E(G) 分别表示顶点集和边集。所有考虑的图都是简单、无向且连通的。对于顶点 v ∈ V,其开邻域记为 NG(v),在上下文明确时可省略下标。集合 S ⊆ V 的邻域定义为 NG(S) := ∪v∈SNG(v) \ S,顶点 v 在图 G 中的度记为 degG(v)。若 G′ 是 G 的子图,记为 G′ ⊆ G;对于 X ⊆ V,G - X 表示由不在 X 中的顶点诱导的 G 的子图。连通图 G 的割集是一个集合 S ⊆ V,使得 G - S 不连通,若 {v} 是割集,则顶点 v 是割点。
  • 叶集与叶权重 :图 G 的叶集是度为 1 的顶点集合,记为 Leaves(G) := {v ∈ V | degG(v) = 1}。若图 G 有权重函数 w : V → Q≥1(Q≥1 表示不小于 1 的有理数集),则其叶权重定义为 lww(G) := ∑v∈Leaves(G) w(v)。
  • 路径组件 </
根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值