Synopsis
De nombreuses relations entre les données dans plusieurs domaines (tels que la vision par ordinateur, la chimie moléculaire et la reconnaissance de formes) peuvent être représentées par des graphiques. Dans le cadre de l'apprentissage automatique, il est important de classer correctement les données structurelles graphiques. En règle générale, les techniques établies pour ce paramètre passent par des noyaux de graphiques et une classification des réseaux neuronaux. Dans ce travail, nous explorons l'apprentissage de bout en bout pour les graphiques : l'objectif est d'opérer directement sur les représentations graphiques. L'idée clé de notre approche est d'utiliser des outils standard pour la canonisation des graphiques. Nous testons les performances de cette approche sur plusieurs ensembles de données issus de la bioinformatique. En général, nous constatons que la canonisation du graphique, en tant que telle, n'améliore pas la précision de la classification. Une raison possible de ce comportement est que le réseau neuronal finit par suradapter à la représentation de la matrice d'adjacence donnée.
Les informations fournies dans la section « Synopsis » peuvent faire référence à une autre édition de ce titre.
Résultats de recherche pour End-to-end Graph Learning
Image d'archives
End-to-end Graph Learning
Edité par
AV Akademikerverlag, 2019
ISBN 10 : 6202224177
ISBN 13 : 9786202224178
Neuf
Couverture souple
Vendeur : Books Puddle, New York, NY, Etats-Unis
Évaluation du vendeur 4 sur 5 étoiles
Etat : New. N° de réf. du vendeur 26388700745
Acheter neuf
EUR 59,18
EUR 3,39 shipping
Expédition nationale : Etats-Unis
Expédition nationale : Etats-Unis
Quantité disponible : 4 disponible(s)
Image fournie par le vendeur
End-to-end Graph Learning
Edité par
AV Akademikerverlag Mai 2019, 2019
ISBN 10 : 6202224177
ISBN 13 : 9786202224178
Neuf
Taschenbuch
Vendeur : BuchWeltWeit Ludwig Meier e.K., Bergisch Gladbach, Allemagne
Évaluation du vendeur 5 sur 5 étoiles
Taschenbuch. Etat : Neu. This item is printed on demand - it takes 3-4 days longer - Neuware -Many relationships among data in several areas (such as computer vision, molecular chemistry and pattern recognition) can be represented by graphs. In the machine learning setting, it is an important learning task to classify graph-structural data correctly. Typically, the established techniques for this setting proceed via graph kernels and neural-network classification. In this work, we explore end-to-end learning for graphs: the objective is to operate on the graph representations directly. The key idea of our approach is to use standard tools for graph canonization. We test the performance of this approach on several datasets arising from bioinformatics. In general, we find that the graph canonization, as such, does not improve the accuracy of the classification. A possible reason for this behavior is that the neural network ends up overfitting to the given adjacency matrix representation. 52 pp. Englisch. N° de réf. du vendeur 9786202224178
Acheter neuf
EUR 39,90
EUR 23 shipping
Expédition depuis Allemagne vers Etats-Unis
Expédition depuis Allemagne vers Etats-Unis
Quantité disponible : 2 disponible(s)
Image d'archives
End-to-end Graph Learning
Edité par
AV Akademikerverlag, 2019
ISBN 10 : 6202224177
ISBN 13 : 9786202224178
Neuf
Couverture souple
Vendeur : Majestic Books, Hounslow, Royaume-Uni
Évaluation du vendeur 4 sur 5 étoiles
Etat : New. Print on Demand. N° de réf. du vendeur 391947670
Acheter neuf
EUR 61,88
EUR 7,44 shipping
Expédition depuis Royaume-Uni vers Etats-Unis
Expédition depuis Royaume-Uni vers Etats-Unis
Quantité disponible : 4 disponible(s)
Image d'archives
End-to-end Graph Learning
Edité par
AV Akademikerverlag, 2019
ISBN 10 : 6202224177
ISBN 13 : 9786202224178
Neuf
Couverture souple
Vendeur : Biblios, Frankfurt am main, HESSE, Allemagne
Évaluation du vendeur 4 sur 5 étoiles
Etat : New. PRINT ON DEMAND. N° de réf. du vendeur 18388700739
Acheter neuf
EUR 63,93
EUR 9,95 shipping
Expédition depuis Allemagne vers Etats-Unis
Expédition depuis Allemagne vers Etats-Unis
Quantité disponible : 4 disponible(s)
Image fournie par le vendeur
End-to-end Graph Learning
Edité par
AV Akademikerverlag, 2019
ISBN 10 : 6202224177
ISBN 13 : 9786202224178
Neuf
Couverture souple
Vendeur : moluna, Greven, Allemagne
Évaluation du vendeur 4 sur 5 étoiles
Etat : New. Dieser Artikel ist ein Print on Demand Artikel und wird nach Ihrer Bestellung fuer Sie gedruckt. Autor/Autorin: Yamen EmreEmre Yamen, studied Bachelor of Science Informatics at RWTH Aachen University. Master Student in Informatics and working on Machine Learning.Many relationships among data in several areas (such as computer vision, molec. N° de réf. du vendeur 293729627
Acheter neuf
EUR 34,25
EUR 48,99 shipping
Expédition depuis Allemagne vers Etats-Unis
Expédition depuis Allemagne vers Etats-Unis
Quantité disponible : Plus de 20 disponibles
Image fournie par le vendeur
End-to-end Graph Learning
Edité par
AV Akademikerverlag Mai 2019, 2019
ISBN 10 : 6202224177
ISBN 13 : 9786202224178
Neuf
Taschenbuch
Vendeur : buchversandmimpf2000, Emtmannsberg, BAYE, Allemagne
Évaluation du vendeur 5 sur 5 étoiles
Taschenbuch. Etat : Neu. Neuware -Many relationships among data in several areas (such as computer vision, molecular chemistry and pattern recognition) can be represented by graphs. In the machine learning setting, it is an important learning task to classify graph-structural data correctly. Typically, the established techniques for this setting proceed via graph kernels and neural-network classification. In this work, we explore end-to-end learning for graphs: the objective is to operate on the graph representations directly. The key idea of our approach is to use standard tools for graph canonization. We test the performance of this approach on several datasets arising from bioinformatics. In general, we find that the graph canonization, as such, does not improve the accuracy of the classification. A possible reason for this behavior is that the neural network ends up overfitting to the given adjacency matrix representation.VDM Verlag, Dudweiler Landstraße 99, 66123 Saarbrücken 52 pp. Englisch. N° de réf. du vendeur 9786202224178
Acheter neuf
EUR 39,90
EUR 60 shipping
Expédition depuis Allemagne vers Etats-Unis
Expédition depuis Allemagne vers Etats-Unis
Quantité disponible : 2 disponible(s)
Image fournie par le vendeur
End-to-end Graph Learning : Using Canonization
impression à la demandeVendeur : AHA-BUCH GmbH, Einbeck, Allemagne
Évaluation du vendeur 5 sur 5 étoiles
Taschenbuch. Etat : Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - Many relationships among data in several areas (such as computer vision, molecular chemistry and pattern recognition) can be represented by graphs. In the machine learning setting, it is an important learning task to classify graph-structural data correctly. Typically, the established techniques for this setting proceed via graph kernels and neural-network classification. In this work, we explore end-to-end learning for graphs: the objective is to operate on the graph representations directly. The key idea of our approach is to use standard tools for graph canonization. We test the performance of this approach on several datasets arising from bioinformatics. In general, we find that the graph canonization, as such, does not improve the accuracy of the classification. A possible reason for this behavior is that the neural network ends up overfitting to the given adjacency matrix representation. N° de réf. du vendeur 9786202224178
Acheter neuf
EUR 40,89
EUR 60,48 shipping
Expédition depuis Allemagne vers Etats-Unis
Expédition depuis Allemagne vers Etats-Unis
Quantité disponible : 1 disponible(s)