图数据处理:聚类、核方法与挖掘技术解析
1. 图流聚类
在处理图流数据时,我们面对的是作为边流接收的大型图。这类图的处理极具挑战性,因为在计算过程中,每条边只能被处理一次。为了实现有效的聚类过程,需要设计摘要结构。这些摘要结构可用于确定底层数据中的有效聚类,这与图规模过大无法存储在磁盘上的情况类似。
此外,还需要设计将聚类算法与传统数据库管理技术相衔接的技术。为实现这一目标,要为图数据设计有效的表示方法和查询语言,这是一个新兴的研究领域,有望进一步提高图算法的有效性。
2. 图核
2.1 定义
图核在两个相关但不同的上下文中使用:
- 图之间的核:定义为核函数 (k: G \times G \to \mathbb{R}),其中 (G) 表示所有考虑的图的集合,最常见的情况是所有带标签的无向图的集合。
- 单个图的顶点之间的核:定义为核函数 (k: V \times V \to \mathbb{R}),其中 (V) 是所考虑图 (G) 的顶点集,常见情况 (G) 为无向图。
2.2 动机和背景
核方法是一类机器学习算法,可应用于已定义有效(即正定)核函数的任何数据集。许多核方法在统计学习理论中有坚实的理论基础,在许多实际学习问题中表现出良好的预测性能。
2.3 图之间的核方法
- 理想属性 :对于非同构图 (G) 和 (G’),函数 (k(G, \cdot)) 和 (k(G’, \cdot)) 不应等价。若不满足此属性,距离只是伪度量而非度量,非同构图可能映射到特征空间中的同一点,
订阅专栏 解锁全文
2371



被折叠的 条评论
为什么被折叠?



