%0 Journal Article %A 吴 遐 %A 张道强 %A $authorName.trim() %A $authorName.trim() %T 半监督图核降维方法* %D 2010 %R 10.3778/j.issn.1673-9418.2010.07.006 %J 计算机科学与探索 %P 629-636 %V 4 %N 7 %X 基于图结构的数据表示和分析, 在机器学习领域正得到越来越广泛的关注。以往研究主要集中在为图数据定义一个度量其相似性关系的核函数即图核, 一旦定义出图核, 就可以用标准的支持向量机(SVM)来对图数据进行分类。将图核方法进行扩充, 先利用核主成分分析(kPCA)对图核诱导的高维特征空间中的数据进行降维, 得到与原始图数据相对应的低维向量表示的数据, 然后对这些新得到的数据用传统机器学习方法进行分析; 通过在kPCA中利用图数据中的成对约束形式的监督信息, 得到基于图核的半监 督降维方法。在MUTAG和PTC等标准图数据集上的实验结果验证了所提方法的有效性。 %U http://fcst.ceaj.org/CN/10.3778/j.issn.1673-9418.2010.07.006