Machine learningGraph mining

Noyaux sur graphes

Les noyaux sur graphes sont des fonctions noyau semi-définies positives qui mesurent la similarité entre deux graphes en comparant leurs sous-structures communes — telles que les marches aléatoires, les plus courts chemins ou les motifs de sous-arbres. Introduits dans un cadre unifié par Vishwanathan, Schraudolph, Kondor et Borgwardt (2010), ils font le pont entre les méthodes à noyau et les données structurées en graphes, permettant à des algorithmes comme les SVM d'opérer directement sur les graphes sans nécessiter d'étape de vectorisation explicite.

Ouvrir dans MethodMindBientôtVidéoBientôtDownload slides

Lire la méthode complète

Réservé aux membres

Connectez-vous avec un compte gratuit pour lire cette section.

Se connecter

Method map

The neighbourhood of related methods — select a node to explore.

Sources

  1. Vishwanathan, S. V. N., Schraudolph, N. N., Kondor, R., & Borgwardt, K. M. (2010). Graph kernels. Journal of Machine Learning Research, 11, 1201–1242. link

Comment citer cette page

ScholarGate. (2026, June 2). Graph Kernels for Structured Data. ScholarGate. https://scholargate.app/fr/network-analysis/graph-kernels

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side
ScholarGateGraph Kernels (Graph Kernels for Structured Data). Consulté le 2026-06-15 sur https://scholargate.app/fr/network-analysis/graph-kernels · Jeu de données : https://doi.org/10.5281/zenodo.20539026