In this paper, we consider learning problems defined on graph-structured data. We propose an incremental supervised learning algorithmfor network-based estimators using diffusion kernels. Diffusion kernel nodes are iteratively added in the training process. For each new nodeadded, the kernel function center and the output connection weight are decided according to an empirical risk driven rule based on anextended chained version of the Nadaraja–Watson estimator. Then the diffusion parameters are determined by a genetic-like optimizationtechnique.

In questo lavoro, consideriamo problemi di apprendimento definiti sul dati strutturati in grafi. Proponiamo un algoritmo incrementale di apprendimento supervisionato per stimatori basati su reti che utilizzano kernel di diffusione. I nodi dei kernel di diffusione sono iterativamente aggiunti nel processo di apprendimento. Per ogni nuovo nodo aggiunto, il centro della funzione di kernel e il peso della connessione di uscita vengono decisi in base ad una regola di rischio empirico basata su una versione estesa e in cascata dello stimatore di Nadaraja-Watson. Poi i parametri di diffusione sono determinati attraverso una tecnica di ottimizzazione di tipo genetico.

“An Incremental Regression Method for Graph Structured Data"

Carozza M;Rampone S
2005

Abstract

In questo lavoro, consideriamo problemi di apprendimento definiti sul dati strutturati in grafi. Proponiamo un algoritmo incrementale di apprendimento supervisionato per stimatori basati su reti che utilizzano kernel di diffusione. I nodi dei kernel di diffusione sono iterativamente aggiunti nel processo di apprendimento. Per ogni nuovo nodo aggiunto, il centro della funzione di kernel e il peso della connessione di uscita vengono decisi in base ad una regola di rischio empirico basata su una versione estesa e in cascata dello stimatore di Nadaraja-Watson. Poi i parametri di diffusione sono determinati attraverso una tecnica di ottimizzazione di tipo genetico.
In this paper, we consider learning problems defined on graph-structured data. We propose an incremental supervised learning algorithmfor network-based estimators using diffusion kernels. Diffusion kernel nodes are iteratively added in the training process. For each new nodeadded, the kernel function center and the output connection weight are decided according to an empirical risk driven rule based on anextended chained version of the Nadaraja–Watson estimator. Then the diffusion parameters are determined by a genetic-like optimizationtechnique.
File in questo prodotto:
File Dimensione Formato  
Carozza Neural Networks.pdf

non disponibili

Licenza: Non specificato
Dimensione 134.78 kB
Formato Adobe PDF
134.78 kB Adobe PDF   Visualizza/Apri   Richiedi una copia

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: http://hdl.handle.net/20.500.12070/2872
Citazioni
  • ???jsp.display-item.citation.pmc??? 0
  • Scopus 2
  • ???jsp.display-item.citation.isi??? 0
social impact