La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Cartesian Kernel: An Efficient Alternative to the Pairwise Kernel Noyau cartésien : une alternative efficace au noyau par paires

Hisashi KASHIMA, Satoshi OYAMA, Yoshihiro YAMANISHI, Koji TSUDA

  • Vues en texte intégral

    0

  • Citer

Résumé:

La classification par paires a de nombreuses applications, notamment la prédiction de réseau, la résolution d'entités et le filtrage collaboratif. Le noyau par paires a été proposé à ces fins par plusieurs groupes de recherche indépendants et a été utilisé avec succès dans plusieurs domaines. Dans cet article, nous proposons une alternative efficace que nous appelons un Noyau cartésien. Alors que le noyau par paire existant (que nous appelons noyau de Kronecker) peut être interprété comme la matrice d'adjacence pondérée du graphe produit de Kronecker de deux graphes, le noyau cartésien peut être interprété comme celui du graphe cartésien, qui est plus clairsemé que le graphique du produit Kronecker. Nous discutons des limites de généralisation des deux noyaux par paire en utilisant l'analyse des valeurs propres des matrices du noyau. Aussi, nous considérons le Nextensions par paires des deux noyaux. Les résultats expérimentaux montrent que le noyau cartésien est beaucoup plus rapide que le noyau de Kronecker et, en même temps, compétitif avec le noyau de Kronecker en termes de performances prédictives.

Publication
IEICE TRANSACTIONS on Information Vol.E93-D No.10 pp.2672-2679
Date de publication
2010/10/01
Publicisé
ISSN en ligne
1745-1361
DOI
10.1587/transinf.E93.D.2672
Type de manuscrit
Special Section PAPER (Special Section on Data Mining and Statistical Science)
Catégories

Auteurs

Mots-clés

Table des matières