Graph Kernels: Aktualny stan wiedzy i przyszłe wyzwania

Oryginalny tytuł:

Graph Kernels: State-Of-The-Art and Future Challenges

Zawartość książki:

Wśród struktur danych powszechnie stosowanych w uczeniu maszynowym, grafy są prawdopodobnie jednymi z najbardziej ogólnych. Grafy pozwalają na modelowanie złożonych obiektów, z których każdy może być opatrzony metadanymi. Niemniej jednak, pozornie proste pytania, takie jak ustalenie, czy dwa grafy są identyczne lub czy jeden graf jest zawarty w innym grafie, są niezwykle trudne do rozwiązania w praktyce. Metody uczenia maszynowego działające na grafach muszą zatem zmagać się z potrzebą zrównoważenia wykonalności obliczeniowej z możliwością wykorzystania jak największej ilości informacji przekazywanych przez każdy graf. W ciągu ostatnich 15 lat zaproponowano liczne jądra grafów, które rozwiązują ten problem, umożliwiając tym samym przewidywanie zarówno w ustawieniach klasyfikacji, jak i regresji.

Niniejsza monografia zawiera przegląd istniejących jąder grafów, ich zastosowań, oprogramowania i zasobów danych, a także empiryczne porównanie najnowocześniejszych jąder grafów. Została ona podzielona na dwie części: pierwsza koncentruje się na teoretycznym opisie popularnych jąder grafów.

Druga część koncentruje się na empirycznej ocenie jąder grafów na dużą skalę, a także na opisie pożądanych właściwości i wymagań dotyczących zestawów danych wzorcowych. Na koniec autorzy nakreślają przyszłe trendy i otwarte wyzwania związane z jądrami grafów.

Napisany dla każdego badacza, praktyka i studenta uczenia maszynowego, Graph Kernels zapewnia kompleksowy i wnikliwy przegląd różnych dostępnych obecnie jąder grafów. Daje czytelnikowi szczegółową typologię i analizę odpowiednich jąder grafów, jednocześnie ujawniając relacje między nimi i komentując ich przydatność dla określonych typów danych. Zawiera również ocenę empiryczną jąder grafów na dużą skalę.