Graph Kernels: State-Of-The-Art and Future Challenges
A gépi tanulásban általánosan használt adatstruktúrák közül a gráfok vitathatatlanul az egyik legáltalánosabbak. A gráfok lehetővé teszik komplex objektumok modellezését, amelyek mindegyikét metaadatokkal lehet megjegyezni. Ennek ellenére a látszólag egyszerű kérdéseket, mint például annak meghatározása, hogy két gráf azonos-e, vagy hogy egy gráf szerepel-e egy másik gráfban, a gyakorlatban rendkívül nehéz megoldani. A gráfokon működő gépi tanulási módszereknek ezért meg kell küzdeniük azzal az igénnyel, hogy egyensúlyt teremtsenek a számítási nehézség és az egyes gráfok által közvetített információk lehető legnagyobb részének kihasználása között. Az elmúlt 15 évben számos gráfmagot javasoltak e probléma megoldására, lehetővé téve ezzel a predikciókat mind osztályozási, mind regressziós környezetben.
Ez a monográfia áttekintést nyújt a létező gráfmagokról, azok alkalmazásairól, szoftver- és adatforrásokról, valamint a legkorszerűbb gráfmagok empirikus összehasonlításáról. Két részre oszlik: az első rész a gyakori gráfmagok elméleti leírására összpontosít.
A második rész a gráfmagok nagyszabású empirikus értékelésére, valamint a kívánatos tulajdonságok és a benchmark-adatkészletekre vonatkozó követelmények leírására összpontosít. Végül a szerzők felvázolják a gráfmagok jövőbeli trendjeit és nyitott kihívásait.
A Graph Kernels minden kutató, gyakorló és a gépi tanulással foglalkozó hallgató számára íródott, átfogó és éleslátó áttekintést nyújt a ma elérhető különböző gráfmagokról. Az olvasó részletes tipológiát és elemzést kap a releváns gráfmagokról, miközben feltárja a köztük lévő kapcsolatokat, és kommentálja az egyes adattípusokra való alkalmazhatóságukat. A gráfmagok nagyszabású empirikus értékelését is tartalmazza.