最近在研究graph learning,自然在接触到前沿的,自然学习到了超图学习。特在此做下记录:
hypergraph learning的主要论文来自:
Learning with Hypergraphs: Clustering, Classification, and Embedding
Learning Hypergraph-regularized Attribute Predictors
在说超图之前,希望先交待一下我们使用graph是出于怎样的考虑。我们只知道general graph的边是连接两点之前的一条边。那么,利用general graph更关心的是样本点与样本点之间的关系,是pairwise之间的关系。但是,在实际生活中,以及再做图像识别的领域中,我们需要关系的不仅仅是两点之间的关系,可能更要关心的是一个样本点与其他一类样本点之间的关系。这种复杂的关系是general graph所无法描绘出来的。更常见的例子,就是在论文发表的过程中,一篇论文如果只有一个作者,那我们则可以使用general graph来进行描述。但是当一篇论文如果有多个作者的时候,描述科研人员之间的合作关系的时候,使用general graph就有些力不从心。这时候,我们就可以使用超图这描述这样的关系,关于hypergraph 和graph有什么区别和联系,这里我上一张图来进行描述:
hypergraph learning(超图学习)
最新推荐文章于 2024-07-12 17:42:51 发布
这篇博客介绍了超图学习,作为graph learning的扩展,用于处理多点间复杂关系。超图通过hyperedge捕捉点集间的关联,适用于图像识别等场景。文中探讨了超图与普通图的区别,并概述了超图学习的损失函数和目标,旨在保持超边关系以增强同类样本的相关性。
摘要由CSDN通过智能技术生成