“An Incremental Regression Method for Graph Structured Data"

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.