Akademik Veri Yönetim Sistemi
2019 27th Signal Processing and Communications Applications Conference (SIU), Sivas, Türkiye, 24 - 26 Nisan 2019, ss.1-4
Klasik yapay öğrenme algoritmaları eğitme ve test verilerinin aynı dağılımdan örneklendiğini varsayar, fakat bu varsayım pratikte geçerli olmayabilir. Alan uyarlama yöntemleri bir kaynak alandan elde edilen bilgiler kullanılarak hedef bir alandaki sınıflandırma performansını iyileştirmeyi amaçlar. Bu çalışmada graflar üzerinde alan uyarlama problemi ele alınmıştır. Birçok etiketli veri içeren bir kaynak graftan faydalanarak etiket bilgisinin az olduğu bir hedef grafta sınıflandırma yapmak amaçlanmıştır. İki graf arasında varsayılan temel ilişki etiket fonksiyonunun frekans içeriğinin benzer nitelikte olmasıdır. Graflar üzerinde frekans analizi ile ilgili yeni gelişmelerden faydalanarak yeni bir graf alan uyarlama yöntemi önerilmiştir. Görüntü veri kümeleri üzerindeki deneyler önerilen yöntemin başarılı bir performansı olduğunu göstermektedir.
Classical machine learning algorithms assume the training and test data to be sampled from the same distribution, while this assumption may be violated in practice. Domain adaptation methods aim to exploit the information available in a source domain in order to improve the performance of classification in a target domain. In this work, we focus on the problem of domain adaptation in graph settings. We consider a source graph with many labeled nodes and aim to estimate the class labels on a target graph with few labeled nodes. Our main assumption about the relation between the two graphs is that the frequency content of the label function has similar characteristics. Building on the recent advances in frequency analysis on graphs, we propose a novel graph domain adaptation algorithm. Experiments on image data sets show that the proposed method performs successfully.