Modèle d'apprentissage supervisé sur des graphiques de structure variable

Question

Un problème de colorisation est pris en compte.

I ont un ensemble de formation de graphes non ordonnées (images) avec un nombre variable de sommets et d'arêtes (régions de couleurs et de la contiguïté entre eux, resp.). Un nombre fixe de caractéristiques est associé à chaque sommet (couleur, surface, etc.) et à chaque bord (longueur de la bordure commune, contraste des couleurs, etc.).

Pour le graphe d'entrée (une image à colorer), le modèle entraîné est censé spécifier la couleur pour chaque sommet (région de couleur) du graphe d'entrée.

Les algorithmes de régression classiques (svm, arbres de décision, etc.) prennent des vecteurs de taille fixe en entrée et retournent des vecteurs de taille fixe.

Existe-t-il un modèle qui gère naturellement un nombre variable de sommets/arêtes?

Existe-t-il une approche pour adapter les modèles à structure fixe (MRF, graphes de facteurs, etc.) pour gérer ce cas particulier?

Answer 1

modèles à base de graphes sont proposés dans ces documents:

• Gated Graph Sequence Neural Networks
• Deep Convolutional Networks on Graph-Structured Data
• The Graph Neural Network Model
• DeepWalk: Deep Learning for Graphs
• Structural-RNN: Deep Learning on Spatio-Temporal Graphs