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？