对具有不同结构的图进行监督学习的模型

Posted 2023-03-12

【中文标题】对具有不同结构的图进行监督学习的模型

【英文标题】：Model for supervised learning on graphs with varying structure

【发布时间】：2015-12-19 09:45:28

【问题描述】：

考虑着色问题。

我有一组无序图（图像）的训练集，它们具有不同数量的顶点和边（颜色区域和它们之间的邻接）。

固定数量的特征与每个顶点（颜色、面积等）和每条边（公共边界的长度、颜色对比度等）相关联。

对于输入图（要着色的图像），经过训练的模型应该为输入图的每个顶点（颜色区域）指定颜色。

经典回归算法（svm、决策树等）将固定大小的向量作为输入并返回固定大小的向量。

是否有一个模型可以自然地处理不同数量的顶点/边？

有没有一种方法可以调整固定结构模型（MRF、因子图等）来处理这种特殊情况？

【问题讨论】：

第一张图片来自«Probabilistic Color-by-Numbers: Suggesting Pattern Colorizations Using Factor Graphs»，作者展示了用于自动着色二维图案的概率因子图模型。不幸的是，他们的方法受到调色板固定大小的限制。

这里可能跑题了，因为它更多的是关于（数学）建模而不是编程。

【参考方案1】：

这些论文提出了基于图的模型：

Gated Graph Sequence Neural Networks Deep Convolutional Networks on Graph-Structured Data The Graph Neural Network Model DeepWalk: Deep Learning for Graphs Structural-RNN: Deep Learning on Spatio-Temporal Graphs