Модель для контролируемого обучения на графиках с изменяющейся структурой

Question

Рассмотрена проблема раскраски.

У меня есть обучающий набор неупорядоченных графиков (изображений) с различным числом вершин и ребер (цветовых областей и смежности между ними, соответственно).

С каждой вершиной (цветом, областью и т. Д.) Связано с фиксированным числом признаков (длина общей границы, цветовой контраст и т. Д.).

Для входного графика (изображение, которое должно быть окрашено) обученная модель должна указывать цвет для каждой вершины (области цвета) входного графика.

Классические регрессионные алгоритмы (svm, деревья решений и т. Д.) Принимают фиксированные векторы как входные и возвращаемые фиксированные размерные векторы.

Есть ли модель, которая, естественно, обрабатывает различное количество вершин/ребер?

Существует ли подход к адаптации моделей фиксированной структуры (MRF, фактор-графы и т. Д.) Для обработки этого конкретного случая?

Answer 1

модели Graph основе предложены в этих работах:

• 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