Back to site

Yleiskatsaus

Source: http://ailab.wsu.edu/subdue



Tehkää on kuvaajan perustuva tietämyksen järjestelmä havaitsee rakenteellinen, relaatio malleja tietojen edustavat yhteisöt ja suhteita. Tehkää edustaa dataa merkitty, suunnattu verkko, jossa yhteisöt edustavat merkitty kärkipisteet tai subgraphs ja suhteet edustavat merkitty reunojen välillä yhteisöihin. Alistaa käyttää pienin kuvaus pituus (MDL) periaatetta tunnistaa kuvioita, jotka minimoivat bittien määrää, joita tarvitaan kuvaamaan sisääntulo diagrammi jälkeen, kun ne puristetaan kuvion. Tehkää voivat suorittaa useita oppimistehtäviä, kuten valvota oppiminen, valvoo oppiminen, klusterointi ja kuvaaja kieliopin oppimiseen. Tehkää on menestyksekkäästi sovellettu useilla aloilla, kuten bioinformatiikka, web rakenne kaivos, terrorismin torjunta, sosiaalisen verkoston analyysiä, ilmailu ja geologia.


Graph-pohjainen Valvomaton Learning (Discovery)

Julkaisut

Liittyvä työ

Linkkejä

Esittely

Discovery-tilassa alistaa käyttää heuristista hakua ohjaa MDL löytää malleja minimoida kuvauksen pituus koko kuvaajan pakattu kuvio. Kun kaava toistuu, alistaa pakkaa kuvaajan käyttäen tätä mallia ja toista prosessi pakattu kuvaajan etsiä lisää abstrakteja kuvioita, mahdollisesti määritellään aiemmin löydetty kuvioita. Alla olevassa kuvassa näkyy, kuinka kukistaa löytää neljässä tapauksessa ja malli S 1 ja input kuvaaja, kuvaajan pakattu malli S 1, kuvio S2 löytyy seuraavan iteraation, ja kuvaaja pakattu mallia S 2.


Kaavio ohjatulla oppiminen

Jos graafista esitystä, sekä positiivisia että negatiivisia esimerkkejä ilmiöstä ovat käytettävissä tulona, ​​niin tehkää tulee valvottua oppimisen tilassa etsiä malli, joka pakkaa myönteiset kuvaajat, mutta ei negatiivisia kaavioita.Esimerkiksi positiivinen, kuvaajat kuvaavat rikollisverkostojen ja negatiiviset graafit kuvaavat tavallisten sosiaalisten verkostojen, voittaa voi oppia malleja erottaa kaksi, ja näitä malleja voidaan käyttää ennustemallien tunnistaa uudet rikollisverkostojen.

Julkaisut

Esitys

ILP


Graph Based hierarkkinen klusterointi

Kykyä tukahduttaa puolitushaulla löytää kuvioita ja puristaa kuvaaja voidaan käyttää tuottamaan kasautumiseen sisääntulo kuvaaja. Pohjimmiltaan klusterointi mode joukot kukistamaan sen toistaa kunnes tulo kuvaaja voidaan puristaa enempää. Tuloksena kuviot muodostavat cluster ristikko, siten, että jos kuvion S on määritelty toisen yhden tai useamman aiemmin havaittiin kuvioita, niin nämä muodot ovat vanhemmat S hilassa. Yllä olevassa esimerkissä, S 2 määritetään suhteessa S 1. Jokainen klusteri Hila on määritelty käsitteellisesti jonka graafinen kuvio löysi kukistaa, tuottaa hierarkkinen, käsitteellinen ryhmittely lähtötietoja.

Julkaisut


Kaavio Kielioppi Learning

Kaavio kieliopit ovat samanlaisia ​​string kielioppeja, mutta jossa terminaalit ja ei-päätelaitteet voivat edustaa mielivaltaisen kuvaajia. Tehkää oppii yhteydetön, solmu korvaavat kuvaaja kieliopit etsimällä yhteisiä yhteyksiä esiintymiä rankarakenteeseen S.

Published (Last edited): Mar 22