論文研究ノート：ネットワークベースの高レベルのデータ分類
手法、紙はネットワークベースの高度なデータ分類手法を紹介します
1.トレーニングプロセスの簡単な説明
全体的な考え方は、トレーニングプロセスは最初にネットワークを形成し、予測プロセスは、ネットワークの元の内部モードとネットワーク構造の挿入位置に最も近い新しいデータがデータのラベルとしてネットワークに入るというものです。
- データセットを\（X_ {trainning}およびY_ {trainning} \）に分割します。
- \（X_ {training}をX_ {net}とX_ {items}に分割、Y_ {trainning}も同じように分割\）
- 次に、ネットワークは複数で構成されてネットワーク
组件を形成し、各サブセットはラベルのタイプのデータを表します 组件ネットワークを指します同一个标签的节点集。- ネットワークに影響を与える値として各ネットワークの
组件いくつかを抽出し网络测度ます。ネットワーク測定には複数の方法があることに注意してください - \（新しいノードが挿入されるたびに、各X_ {item}を1つずつネットワークに追加します\）次に、ネットワーク内の影響を受けるコンポーネント
网络测度が再計算されます - トレーニングフェーズでは、新しいノードが挿入されるたび
网络测度に、このノードにラベルが付けられるため、1つのコンポーネントのみに影響することに注意してください。 - トレーニングプロセス中、コンポーネントとして毎回新しいノードを挿入することによって引き起こされるネットワーク測定値の変化は、影響値として2次元配列に保存され、最後に影響リストとして保存されます。
- 予測段階では、生成された影響値に新しいノードが挿入され、元のネットワークメトリックの状態と比較すると、差が最も小さく、ネットワークを安定させる挿入が新しいノードのラベルになります。
2.アルゴリズムの詳細
ネットワークを構築する
- 2つのハイパーパラメーター\（kおよびp \）：ここで、\（kはkNNアルゴリズムによって最も近いkポイントを見つけるために使用され、pは除算X_ {trainning}をX_ {net}とX_ {item} \の比率に分割するために使用されます）
- \（X_ {net}はネットワークの初期化に使用され、X_ {item}はトレーニングに使用され、1つずつネットワークに追加されます\）
- 最初に\（X_ {net} \）を使用して初期ネットワークを構築し、次の2つの従来のネットワーク構築方法を使用します。
\ [N（x_i）= \ begin {cases} \ epsilon-radius（x_i、y_i）＆、{if | \ epsilon-radius（x_i、y_i）|> k} \\ kNN（x_i、y_i）＆、\テキスト{そうでなければ} \ end {cases} \]
- \（N（x_i）はx_iの近傍ノードを意味します\）
- 最初のケースは、\（x_iを原点とし、\ epsilonを半径とすると、x_iの近傍にあるノードの数がkより大きい場合、最初のアルゴリズム\に従って検索することを示しています）
- それ以外の場合は、KNNアルゴリズムに従います
- どこに
\ [\ epsilon = \ sum_ {j = 1} ^ L \ frac {median（kNN_ {dist}（x_i、y_ {x_i}））} {L} \]
- \（kNN_ {dist}（x_i、y_y）は、x_iに最も近いk個の距離を返します\）
- Lはラベルの数です
研修
- ネットワークの構築が完了した後、\（X_ {item}を1つずつネットワークに追加すると、各x_i（1次元配列、次元=選択されたネットワーク測定方法の数）による影響は\）
\ [I_i ^ {（j）}（x）（u）= \ Delta G_i ^ {（j）}（u）\ rho ^ {（j）} \]
- \（u：u番目のネットワーク測定方法を示します\）
- \（j：j番目のカテゴリを示します\）
- \（I_i ^ {（j）}（x）（u）：ラベル（コンポーネント）jのノードiのネットワーク測定値uの影響値を表します\）
- \（\ Delta G_i ^ {（j）}（u）\ in [0,1]：ノードiがコンポーネントjに挿入されていること、およびそのネットワークメジャーの変更値\）
- \（\ rho ^ {（j）} \ in [0,1]：合計数に対するコンポーネントのノード数の比率を示します\）
- トレーニングするパラメーター。ネットワーク測定値があります。これらのネットワーク測定値に重み付けし、これらの重みを最適化するためにトレーニングします。重み配列は2次元で、最初の次元はネットワークのコンポーネント（カテゴリ）インデックスを表し、2番目の次元は測定方法のインデックスを表し、各コンポーネントの測定方法の重みの合計は1です。
\ [\ sum_ {u = 1} ^ K \ alpha（u）= 1 \]
- \（u：ネットワーク測定を意味します\）
予測セクション
\（X_ {テストでX_I \ }、 それはネットワークでの測定値に影響を与えるラベルないこと\と同じです）
\ [f_i ^ {（j）}（x）（u）= \ alpha ^ {（j）}（u）I_i ^ {（j）}（x）（u）\]
- \（j：カテゴリを示します\）
- \（u：ネットワーク測定方法を意味します\）
コンポーネントjに対するノードの影響値とコンポーネントJの以前の影響値の間の最小距離は次のとおりです。
ノードがコンポーネントjに属する確率：
ペーパーで提供されるネットワークメトリック：
- 平均度（hki）：
- 多様性（R）
- 平均ローカルクラスタリング係数（hccii）
- 推移性（C）
- 平均最短経路長（l）：
- 次数分布の2次モーメント（hk2i）：