یک روش یادگیری فاصله وزن دار جهت طبقه بندی گراف

در این مقاله،یک روش یادگیری فاصله وزن دار جهت بهبود دقت الگوریتم نزدیک ترین همسایه در هنگام طبقه بندی داده های مبتنی بر گراف معرفی شده است. براین اساس، به الگوهای موجود در مجموعه آموزشی وزنی انتساب نموده، سپس با استفاده از تکنیک گرادیان نزولی به گونه ای وزن ها تنظیم می شود که در نهایت معیار خطا طبقه بندی الگوریتم نزدیک ترین همسایه کمینه گردد.از جمله اثرات جانبی این روش این است که می توان با حذف نمودن الگوهای نویزی و اضافی،مقدار قابل توجهی در زمان تشخیص برچسب داده آزمون و همچنین حافظه برای نگهداری گراف های الگو صرفه جویی نمود.از این رو، روش پیشنهادی می تواند به عنوان یک روش کاهش الگو در حوزه گراف نیز مطرح گردد. در این مقاله، جهت ارزیابی روش پیشنهادی از مجموعه داده مبتنی بر گراف iam استفاده شده و نتایج رضایت بخشی حاصل شده است به گونه ای که این نتایج قابل رقابت با سایر روش های مرتبط و پایه است که تا کنون بر روی این مجموعه داده معرفی شده است.