【牛津大学博士论文】图高斯过程，134页pdf

文章预览

在快速发展的机器学习研究领域，图结构数据的建模最近引起了极大的关注。图和基于网络的数据在现实世界中无处不在，例子包括社交网络、交通系统、金融交易和脑网络。因此，开发图上的模型对于理解和预测日常现象中观察到的复杂性质至关重要。目前，关于图神经网络的文献非常丰富，但概率和贝叶斯模型的选择较为有限。为了解决这一问题，本论文开发了一系列用于图数据的高斯过程（GPs）。随着图信号处理的兴起，在图上构建高斯过程变得更加可行，这为我们提供了处理图结构信息和光滑性建模的工具。 我们首先解决的问题是使用多输出高斯过程预测信号的演变。我们使用从图拉普拉斯算子定义的核函数，并通过可学习的频谱滤波器来预测与数据光滑度匹配的结果。接下来，我们将重点转向半监督分类，为此任务设计了三种模型，每 ………………………………