图核函数研究现状与进展

核方法具有坚实的理论基础和广泛的应用,已引起了各领域的关注.基于核的机器学习方法不仅适用于以特征向量表示的模式,也适用于结构化数据的模式.前者对应的是向量核方法,后者对应的是图核方法.图核对结构化数据具有强大而灵活的表示形式,其不仅能描述研究对象或模式的特性,还能反映构成这个物体不同部分之间的结构信息.目前,基于图核的机器学习方法在模式识别、机器学习、机器视觉、数据挖掘等相关研究领域得到了极为广泛的关注与应用,已成为结构数据描述方法和应用领域的一个重要研究方向.论文从使用最为广泛的基于R-convolution的图核谈起,总结了图核研究的意义,着重回顾和讨论图核函数的基本理论、基本分类、国内外研究现状,并进一步指出图核研究的发展方向.

Graph kernels on machine learning:recent works and future developments

Graph kernels were powerful tools for structural analysis in machine learning and pattern recognition.In this paper,we commenced by reviewing the basic theory of kernel methods.Furthermore,we introduced a family of state-of-the-art graphs kernels that are instances of the kernels based on the R-convolution.Finally,we provided theoretical analysis of existing graph kernels and their future developments.