تعلم مقاييس للملخصات المستندة إلى الاستمرارية وتطبيقاتها في تصنيف الرسوم البيانية

في الآونة الأخيرة، بدأت طريقة جديدة لتمثيل الميزات وتحليل البيانات تعتمد على أداة طوبولوجية تُعرف بالهومولوجيا الثابتة (وملخصها المقابل وهو الرسم البياني الثابت) في جذب الزخم. تم تطوير سلسلة من الطرق لتحويل الرسم البياني الثابت إلى تمثيل متجهي بهدف تسهيل استخدام أدوات التعلم الآلي في العمليات اللاحقة، وفي هذه النهج، غالبًا ما يتم تحديد أهمية (وزن) ميزات الثبات بشكل مسبق. ومع ذلك، في الممارسة العملية غالبًا ما يجب أن يعتمد اختيار دالة الوزن على طبيعة نوع البيانات الذي يُنظر فيه، وبالتالي يكون من الأهمية بمكان تعلم أفضل دالة وزن (وبالتالي مقياس للرسوم البيانية الثابتة) من البيانات المصنفة. ندرس هذه المشكلة ونطور نواة مرتبطة بالوزن جديدة تُعرف بـ "WKPI" للملخصات الثابتة، بالإضافة إلى إطار عمل تنظيمي لتعلم مقياس جيد للملخصات الثابتة. لكل من نواحتنا وإطار العمل التنظيمي خصائص جيدة. نقوم أيضًا بتطبيق النواة التي تم تعلمها على مهمة صعبة وهي تصنيف الرسوم البيانية، ونشير إلى أن إطار العمل الخاص بنا القائم على "WKPI" يحقق نتائج مشابهة أو (أحيانًا أفضل بكثير) من أفضل النتائج التي حققتها مجموعة من الإطارات السابقة لتصنيف الرسوم البيانية على مجموعة من قواعد البيانات المرجعية.