论文笔记：Incremental Subgraph Feature Selection for Graph Classification

最新推荐文章于 2023-03-03 15:50:35 发布
最新推荐文章于 2023-03-03 15:50:35 发布
阅读量434 收藏 1
点赞数
分类专栏： baseline1 文章标签： 图分类
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_35771020/article/details/88598529
版权
本文提出了一种增量子图特征选择算法（ISF）和子图连接特征选择算法（ISJF），用于处理图分类中的高维子图特征问题。ISF构造原始对偶解，ISJF强制连接短模式子图生成长模式特征，解决了短模式子图过频的问题。实验证明，这些方法在图分类任务中有效，尤其在级联暴发预测上表现出优越性能。
摘要由CSDN通过智能技术生成

一、基本信息

论文题目：《Incremental Subgraph Feature Selection for Graph Classification》

发表时间：

论文作者及单位：

论文地址：https://ieeexplore.ieee.org/abstract/document/7588124/authors#authors

 

二、摘要

        图分类是分析具有结构依赖性的数据的重要工具，其中子图通常用作学习功能。在现实中，子图的维数至关重要地依赖于频率支持参数的阈值设置，并且数目可能变得非常大。因此，可以逐步发现子图以形成特征流，并要求底层图形类更有效地从子图特征流中发现具有代表性的子图特征。本文提出了一种基于最大边缘图分类的原始双增量子图特征选择算法。ISF算法构造了一系列既原始又对偶可行的解。每对原始对偶都缩小了对偶间隙，为最优子图特征集提供了更好的解。为了避免ISF算法对短模式子图特征的偏见，我们提出了一种新的增量子图连接特征选择算法（ISJF），通过强制图类连接短模式子图并生

最低0.47元/天 解锁文章
塘朗老实人
关注
专栏目录
【增量学习】2022 KDD Geometer: Graph Few-Shot Class-Incremental Learning via Prototype Representation
图挖掘领域，新晋砖家 ☞ 未来可期，欢迎和静静一起学习交流吖
06-08 482
在许多实际场景中，图随着新节点和边的出现而演变。由于新出现或缺乏探索，新类别逐渐出现，并且很少有标记。在本文中，专注于这个具有挑战性但实用的图少样本类增量学习（GFSCIL）问题，并提出了GEOMETER。通过找到最近的类原型来预测节点的标签，通过观察几何接近度、均匀性和可分离性来学习和调整基于注意力的原型。进一步引入了教师-学生知识蒸馏和有偏抽样，以分别缓解灾难性遗忘和不平衡标签问题。...
Feature Selection: A Data Perspective --阅读笔记1 特征选择的概述
liveway6的博客
11-27 3754
特征选择作为一种数据预处理策略已经被证明在为各种数据挖掘和机器学习问题准备数据（特别是高维数据）方面是有效和高效的。 特征选择的目标包括：构建更简单，更易于理解的模型，提高数据挖掘性能，准备清晰，可理解的数据。大数据近期的激增为特色选择带来了一些重大的挑战和机遇。 在这次调查中，提供了关于特征选择研究最新进展的综合和结构化概述。
EEG Feature Selection via Global Redundancy Minimization for Emotion Recognition 论文笔记
沃·夏澈德的博客
09-13 408
概述 提出了一种基于最小化全局冗余的特征提取算法(global redundancy minimization in orthogonal regression)。 研究动机 基于EEG的情绪识别研究大多使用低密度(小于128个通道)的EEG数据，如SEED [71]和DEAP[72]数据库。低密度脑电图的缺点是其空间分辨率差。随着脑电设备的发展，高密度脑电(超过 128个通道)因其高空间分辨率在情绪识别领域受到越来越多的关注 。与低密度脑电信号相比，高密度脑电信号可以为情绪识别任务提供更丰富的空间信息。
OFSF-BC: Online Feature Selection Framework for Binary Classification阅读笔记
yeyoenjoy的博客
11-05 442
OFSF-BC: Online FeatureSelection Framework for BinaryClassification 1论文概述 本文首先针对批量特征提取存在的不足加以介绍，引入一种基于一阶和二阶信息的在线特征提取框架用于实现二值分类。在实验探究过程中，采用基于FOOL-OFS和SOOL-OFS的在线特征提取方法，得到一阶和二阶在线学习。并针对不同类型的数据集，进行了广泛的
论文阅读 - Unsupervised feature selection via transformed auto-encoder（2019）
铁锹的填坑记录
02-28 930
[TOC] 题目 概括 一种特征选择器，用来移除不相关的特征，减少计算量，加速计算过程提升性能表现。 结构 模型分成三部分： 通过深度自动编码器得到的受正交约束的indicator matrix指示矩阵。 使用非负最小二乘法，获得近似的、非负的指示矩阵 （算法第8部） 通过指示矩阵来选择出特征选择矩阵(feature selection matrix)，并且使用K-means算法来评估模型。（算法性能评估部分） Related works LS Laplacian score作为过滤方法。但是
RIFS:一种随机重启的增量特征选择算法(RIFS: a randomly restarted incremental feature selection algorithm)
ShenggengLin的博客
10-07 7064
1. 摘要     大数据时代的到来给机器学习研究者带来了运行时间和学习效率的挑战。生物医学基因组研究就是其中一个大数据领域，它极大地改变了生物医学研究。但是数据生产的高成本和招募参与者的困难将“大p小n”的范式引入到生物医学研究中。特征选择通常用于减少生物医学特征的数量，从而实现一个稳定的数据独立的分类或回归模型。本研究随机改变广泛使用的增量特征选择(IFS)策略的第一个元素，选择可能被统计关联评价算法排序较低的最佳特征子集，如t检验。假设可以通过编排两个低等级的特征来获得较好的分类性能。提出的随机重启动
自监督论文阅读笔记 Incremental-DETR：Incremental Few-Shot Object Detection via Self-Supervised Learning
YoooooL_的博客
05-27 1282
增量少样本目标检测的目的是在不忘记基类知识的情况下 检测出新类，只需从新类中提取少量标记的训练数据。 之前的增量目标检测方法依赖于每个新类的丰富训练样本的可用性，这在很大程度上限制了新数据可能稀少的真实环境的可扩展性。 Incremental-DETR（增量DETR）：通过对DETR目标检测器进行微调和自监督学习来进行增量少样本目标检测。为了缓解使用少量新类数据导致的严重过拟合，首先通过使用 选择性搜索 作为伪标签生成的额外的目标候选框 进行自监督...
【论文阅读笔记】YOLOv3: An Incremental Improvement
01-20
YOLOv3: An Incremental Improvement 是一篇关于目标检测算法改进的论文，由 Joseph Redmon 和 Ali Farhadi 在 2018 年提出。YOLO（You Only Look Once）系列算法以其实时性与相对较高的检测精度而受到广泛关注。在 ...
论文阅读：Faster ILOD：Incremental Learning for Object Detectors based on Faster RCNN
null_zhao的博客
07-26 1103
目标检测模型Faster RCNN的增量学习方法 目前Faster Rcnn的目前唯一增量学习扩展方法，似乎是arxiv的。目标检测的增量学习框架研究很少，一个Fast Rcnn的，一个RetinaNet的 1.Introduction
特征选择（Feature Selection）初识与论文推荐
m0_61899108的博客
10-17 2521
见【机器学习】特征选择(Feature Selection)方法汇总 - 知乎 (zhihu.com)特征选择是在开发预测模型时减少输入变量数量的过程。希望减少输入变量的数量，以降低建模的计算成本，并在某些情况下提高模型的性能。基于统计的特征选择方法涉及使用统计数据评估每个输入变量与目标变量之间的关系，并选择与目标变量关系最强的输入变量。这些方法可以快速有效地进行，尽管统计度量的选择取决于输入和输出变量的数据类型。特征选择是特征工程里的一个重要问题，其目标是寻找最优特征子集。
目标检测论文总结：《Feature Selective Anchor-Free Module for Single-Shot Object Detection》
weixin_42075898的博客
05-04 298
1. 概述 RetinaNet等使用FPN结构的单阶段检测器依据输入图片中目标的大小确定目标的特征来源于FPN特征的哪一层，再通过该层上目标与anchor box的IoU为anchor box分类，从而完成目标检测模型的训练及推理。 本篇论文认为：仅通过instance的大小确定instance的特征来源是不合适的，所选择出的特征不一定最优。应当让网络自身决定选择哪一level上的特征。另一方面...
论文阅读之Feature Selection Based on Neighborhood Self-Information
xiaojia_177
10-12 388
Feature Selection Based on Neighborhood Self-Information   从论文题目出发，突出重点：Feature Selection(特征选择)、NSI(邻域自信息)。接下来先对这两个部分进行大致描述，再对整篇论文进行粗略阐述。若有错误、不足之处，欢迎各位及时指正！ Feature Selection   Feature Selection，特征选择，也可以认为是attribute reduction，属性约简。在机器学习研究中，特征的数量往往较多，其中不乏无关
feature selection & feature extraction
iwantMovieLens的博客
05-18 794
1、概述——特征选择 & 特征提取 特征选择（feature selection）和特征提取（feature extraction）都属于降维（dimension reduction） （同）目的：减少特征数据集中的**属性（或者称为特征）**的数目。 （异）方法： 特征提取的方法主要是通过属性间的关系，如组合不同的属性得到新的属性，这样就改变了原来的特征空间。 特征选择的方法是从原始特征数据集中选择出子集，是一种包含的关系，没有更改原始的特征空间。 2、特征提取的主要方法： PCA
《综述：知识图谱推理》读书笔记
SofiaT的博客
03-03 348
知识图谱综述论文笔记
转：图谱中的关系推理是什么
格赚
12-08 1528
知识图谱本质上是语义网络，是一种基于图的数据结构，由节点(Point)（“实体”）和边(Edge)（“关系”）组成。在知识图谱里，每个节点表示现实世界中存在的“实体”，每条边为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。通俗地讲，知识图谱就是把所有不同种类的信息（Heterogeneous Information）连接在一起而得到的一个关系网络。知识图谱提供了从“关系”的角度去分析...
Joint Embedding of Words and Labels for Text Classification（ACL 2018）
lime_1002的博客
03-22 5008
论文原文： https://arxiv.org/abs/1805.04174 代码链接： https://github.com/guoyinwang/LEAM 论文动机： 标签嵌入（Label embedding ）已被证明在多个领域和任务中是有效的。在CV中，已经有大量关于利用标签嵌入进行图片分类、图像和文本间的多模态学习、图像中的文本识别的研究。 有大量关于词嵌入的研究...
cnn 系列文章一 --- feature selection（特征选择）
墨流觞的博客
09-12 3307
CNN in tensorflow 这是系列文章，讲述卷积神经网基础知识和著名网络结构，以及在tensorflow中实现。 立个flag吧，每篇文章之前分享一句歌词。本人网易云id “紫迷儿” 《红颜》 剑煮酒无味，饮一杯为谁 疑难词汇 trivial 琐碎的，不值一提的 特征选择 特征选择(Feature Selection)的缺点 人工选取特征，然后计算...
[论文阅读] Transductive Multilabel Learning via Label Set Propagation
qq_31895943的博客
03-06 423
[论文阅读] Transductive Multilabel Learning via Label Set Propagation 论文下载链接：Transductive Multilabel Learning via Label Set Propagation Abstract We estimate the label sets of the unlabeled inst...
DER: Dynamically Expandable Representation for Class Incremental Learning算法
最新发布
07-12
DER（Dynamically Expandable Representation for Class Incremental Learning）算法是一种用于类增量学习的动态可扩展表示方法。该算法旨在解决传统机器学习算法在处理类增量学习任务时可能出现的问题。 在传统的...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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