具有不同结构的图的监督学习模型
Model for supervised learning on graphs with varying structure
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关系,分别)。
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(支持向量机、决策树等)将固定大小的向量作为输入,return 个固定大小的向量。
是否有一种模型可以自然地处理不同数量的顶点/边?
是否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?
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关系,分别)。
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(支持向量机、决策树等)将固定大小的向量作为输入,return 个固定大小的向量。
是否有一种模型可以自然地处理不同数量的顶点/边?
是否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?