我有一组可变大小（输入）的图形对象，每个对象都与另一个可变大小（输出）的图形配对。任务是，给定一个输入图，生成最有可能的输出图。
我一直在研究诸如 SSVM 之类的“结构化输出”技术，但据我所知，它们都作用于固定大小的输出（或至少与输入大小匹配的大小，即序列标记）。是否有任何工具可以将输入映射到任意大小的结构化对象？
什么算法可以预测任意大小的结构化输出？
数据挖掘
支持向量机
图表
核心
2022-02-23 04:17:14
1个回答
你最好尝试图嵌入，为此我建议通过伯尔尼大学的 Horst Bunke，他多年来一直在这样做。只需在谷歌学者中搜索他并浏览他的出版网络（共同作者、被引论文、被引论文等），例如this和this作为更经典的论文或this 作为您问题的确切答案。我非常有信心你会找到你的解决方案，因为这正是他的研究方向。我在移动设备上，所以现在很难参考，但我可以稍后更新我的答案。
我想提的另一点是图嵌入有两种：
- 将一个图的顶点（节点）嵌入到 n 维空间中，即每个向量将是图的一个节点。（见此）
- 将图形数据集嵌入到 n 维空间中，其中每个向量将是一个完整的图形。
你需要第二个。
另一件值得一提的事情是从网络科学的角度来看这个问题，在这个问题上，图的统计和结构得到了广泛的研究。有很多图形/网络度量对节点数量的容忍度较低或较高，例如聚类系数。将它们用作特征可以输入到分类器以查看它是如何工作的。
最后但并非最不重要的是您实际提出的问题！您正在寻找的是所谓的Graph Kernel。它只不过是 ML 已知概念 Kernel 的定义，但在图上。因此，内核方法可以通过跳过特征提取步骤（就像我上面建议的那样）并直接使用结构输入来从中受益。为此，我建议您为自己配备图形内核，例如本文。
祝你好运！