作　　者： ; ; ;

机构地区： 中山大学信息科学与技术学院

出　　处： 《小型微型计算机系统》 2011年第12期2379-2382,共4页

摘　　要： 数据挖掘是从大量数据中提取隐含知识的过程.随着数据挖掘的广泛应用,图作为一种一般数据结构在复杂结构和它们之间相互作用建模中变得越来越重要,这使得图挖掘成为数据挖掘的一个新的热点研究方向之一.由于图分类具有许多真实的应用背景,因而图分类已成为图挖掘中重要的研究领域.目前对图分类的研究都基于一个假设:训练集和测试集都是来源于同一个分布.然而,在很多真实的应用上,训练集和测试集不一定是来自同一个分布的.在本文中,我们将学习如何运用迁移学习的方法来对图数据进行分类,并提出一个基于集成学习的算法TrGBoost,该算法能在少量有标签的图数据和大量相关的图数据集里,有效地建立一个图分类器.真实数据上的实验验证了本文算法的有效性. Nowadays,the graph classification has become an important and active research topic in the last decade,which has a wild variety of real world applications.Current research on graph classification assumes that train and test data are drawn from the same feature space and same distribution.However,in many applications,the train graph data and test data are not dawn from the same distribution.In this paper,we study the transfer learning for graph classification and propose a novel solution,TraGboost,to efficiently build a graph classification model with a few labeled graph data and amounts of relation graph data.TrGboost,which based of boosting,allows users to utilize amounts of relation labeled graph data to construct a classification model for the target graph data.Empirical studies on real-world tasks demonstrate that our method can effectively boost graph classification with transfer learning.

关 键 词： 图分类 迁移学习

领　　域： [自动化与计算机技术] [自动化与计算机技术]