Dissertation/ Thesis
Graph Edit Distance applied to diverse frameworks: Learning, matching and exploring techniques
| Τίτλος: | Graph Edit Distance applied to diverse frameworks: Learning, matching and exploring techniques |
|---|---|
| Συγγραφείς: | Rica Alarcón, María Elena |
| Συνεισφορές: | University/Department: Universitat Rovira i Virgili. Departament d'Enginyeria Informàtica i Matemàtiques |
| Thesis Advisors: | Serratosa Casanelles, Francesc d'Assís, Álvarez Fernández, Susana Maria |
| Πηγή: | TDX (Tesis Doctorals en Xarxa) |
| Στοιχεία εκδότη: | Universitat Rovira i Virgili, 2022. |
| Έτος έκδοσης: | 2022 |
| Φυσική περιγραφή: | 105 p. |
| Θεματικοί όροι: | Correspondències entre grafs, Distància d'editar grafs, Aprenentatge automàtic, Correspondencias entre grafos, Distancia de editar grafos, Aprendizaje automático, Graph Matching, Graph Edit Distance, Machine Learning, Enginyeria i arquitectura |
| Περιγραφή: | Els grafs són objectes matemàtics que descriuen representacions abstractes de dades quan les relacions entre els elements estan definides. Quan les dades es representen amb grafs, els nodes representen els principals objectes de les dades i les arestes representen les relacions entre ells. En aquest context, és necessari definir o adaptar tècniques específiques d'aprenentatge automàtic per a obtenir informació de les dades i predir característiques o trets que puguin ser d'interès per a algunes aplicacions. Durant els últims 40 anys, els investigadors han analitzat com representar les dades amb grafs i com adaptar els mètodes d'aprenentatge automàtic a aquestes estructures o definir altres nous adaptats a aquest marc. Amb aquest objectiu, el concepte de Graph Edit Distance (GED) ha estat utilitzat durant dècades i diverses tècniques d'aprenentatge automàtic utilitzen la GED com a mesura de dissimilitud entre grafs per a abordar la solució de diferents problemes. Aquesta tesi presenta un compendi de mètodes d'aprenentatge automàtic centrats en dades representades per grafs. S'han afrontat diverses tasques representant les dades com a grafs i la majoria dels mètodes presentats fan ús del concepte de GED com a eina per a analitzar l'estructura de les dades. Les tècniques desenvolupades en aquesta tesi demostren que la representació mitjançant grafs de les dades és adequada per a resoldre diferents situacions i pot ser explorada per a futurs contextos. |
| Description (Translated): | Los grafos son objetos matemáticos que describen representaciones abstractas de datos cuando las relaciones entre los elementos están definidas. Cuando los datos se representan con grafos, los nodos representan los principales objetos de los datos y las aristas representan las relaciones entre ellos. En este contexto, es necesario definir o adaptar técnicas específicas de aprendizaje automático para obtener información de los datos y predecir características o rasgos que puedan ser de interés para algunas aplicaciones. Durante los últimos 40 años, los investigadores han analizado cómo representar los datos con grafos y cómo adaptar los métodos de aprendizaje automático a estas estructuras o definir otros nuevos adaptados a este marco. Con este objetivo, el concepto de Graph Edit Distance (GED) ha sido utilizado durante décadas y varias técnicas de aprendizaje automático utilizan la GED como medida de disimilitud entre grafos para abordar la solución de diferentes problemas. Esta tesis presenta un compendio de métodos de aprendizaje automático centrados en datos representados por grafos. Se han afrontado diversas tareas representando los datos como grafos y la mayoría de los métodos presentados hacen uso del concepto de GED como herramienta para analizar la estructura de los datos. Las técnicas desarrolladas en esta tesis demuestran que la representación mediante grafos de los datos es adecuada para resolver diferentes situaciones y puede ser explorada para futuros contextos. Graphs are mathematical objects that depict the abstract representation of data when relations between elements are defined. When data is represented with graphs, nodes represent the main objects of the data and edges represent the relations between them. In this context, specific machine learning techniques need to be defined or adapted to obtain information from the data and predict characteristics or features that could be of interest for some applications. During the last 40 years, researchers have been analysing how to represent data with graphs and how to adapt machine learning methods to these structures or define new ones adapted to this framework. With this aim, the concept of Graph Edit Distance (GED) has been used during decades and several machine learning techniques use the GED as measure of dissimilarity between graphs to tackle the solution of different problems. This thesis presents a compendium of machine learning methods focused on graph-represented data. Diverse tasks have been faced representing the data as graphs and the majority of the presented methods make use of the concept of GED as a tool to analyse the structure of the data. The techniques developed on this thesis demonstrate that the graph representation of data is suitable to solve different situations and can be explored for future contexts. |
| Τύπος εγγράφου: | Dissertation/Thesis |
| Περιγραφή αρχείου: | application/pdf |
| Γλώσσα: | English |
| Σύνδεσμος πρόσβασης: | http://hdl.handle.net/10803/687283 |
| Rights: | ADVERTIMENT. L'accés als continguts d'aquesta tesi doctoral i la seva utilització ha de respectar els drets de la persona autora. Pot ser utilitzada per a consulta o estudi personal, així com en activitats o materials d'investigació i docència en els termes establerts a l'art. 32 del Text Refós de la Llei de Propietat Intel·lectual (RDL 1/1996). Per altres utilitzacions es requereix l'autorització prèvia i expressa de la persona autora. En qualsevol cas, en la utilització dels seus continguts caldrà indicar de forma clara el nom i cognoms de la persona autora i el títol de la tesi doctoral. No s'autoritza la seva reproducció o altres formes d'explotació efectuades amb finalitats de lucre ni la seva comunicació pública des d'un lloc aliè al servei TDX. Tampoc s'autoritza la presentació del seu contingut en una finestra o marc aliè a TDX (framing). Aquesta reserva de drets afecta tant als continguts de la tesi com als seus resums i índexs. |
| Αριθμός Καταχώρησης: | edstdx.10803.687283 |
| Βάση Δεδομένων: | TDX |
| FullText | Text: Availability: 0 CustomLinks: – Url: http://hdl.handle.net/10803/687283# Name: EDS - TDX (ns324271) Category: fullText Text: View record in TDX |
|---|---|
| Header | DbId: edstdx DbLabel: TDX An: edstdx.10803.687283 RelevancyScore: 1360 AccessLevel: 3 PubType: Dissertation/ Thesis PubTypeId: dissertation PreciseRelevancyScore: 1359.90966796875 |
| IllustrationInfo | |
| Items | – Name: Title Label: Title Group: Ti Data: Graph Edit Distance applied to diverse frameworks: Learning, matching and exploring techniques – Name: Author Label: Authors Group: Au Data: <searchLink fieldCode="AR" term="%22Rica+Alarcón%2C+María+Elena%22">Rica Alarcón, María Elena</searchLink> – Name: Author Label: Contributors Group: Au Data: University/Department: Universitat Rovira i Virgili. Departament d'Enginyeria Informàtica i Matemàtiques – Name: Author Label: Thesis Advisors Group: Au Data: Serratosa Casanelles, Francesc d'Assís<br />Álvarez Fernández, Susana Maria – Name: TitleSource Label: Source Group: Src Data: TDX (Tesis Doctorals en Xarxa) – Name: Publisher Label: Publisher Information Group: PubInfo Data: Universitat Rovira i Virgili, 2022. – Name: DatePubCY Label: Publication Year Group: Date Data: 2022 – Name: PhysDesc Label: Physical Description Group: PhysDesc Data: 105 p. – Name: Subject Label: Subject Terms Group: Su Data: <searchLink fieldCode="DE" term="%22Correspondències+entre+grafs%22">Correspondències entre grafs</searchLink><br /><searchLink fieldCode="DE" term="%22Distància+d'editar+grafs%22">Distància d'editar grafs</searchLink><br /><searchLink fieldCode="DE" term="%22Aprenentatge+automàtic%22">Aprenentatge automàtic</searchLink><br /><searchLink fieldCode="DE" term="%22Correspondencias+entre+grafos%22">Correspondencias entre grafos</searchLink><br /><searchLink fieldCode="DE" term="%22Distancia+de+editar+grafos%22">Distancia de editar grafos</searchLink><br /><searchLink fieldCode="DE" term="%22Aprendizaje+automático%22">Aprendizaje automático</searchLink><br /><searchLink fieldCode="DE" term="%22Graph+Matching%22">Graph Matching</searchLink><br /><searchLink fieldCode="DE" term="%22Graph+Edit+Distance%22">Graph Edit Distance</searchLink><br /><searchLink fieldCode="DE" term="%22Machine+Learning%22">Machine Learning</searchLink><br /><searchLink fieldCode="DE" term="%22Enginyeria+i+arquitectura%22">Enginyeria i arquitectura</searchLink> – Name: Abstract Label: Description Group: Ab Data: Els grafs són objectes matemàtics que descriuen representacions abstractes de dades quan les relacions entre els elements estan definides. Quan les dades es representen amb grafs, els nodes representen els principals objectes de les dades i les arestes representen les relacions entre ells. En aquest context, és necessari definir o adaptar tècniques específiques d'aprenentatge automàtic per a obtenir informació de les dades i predir característiques o trets que puguin ser d'interès per a algunes aplicacions. Durant els últims 40 anys, els investigadors han analitzat com representar les dades amb grafs i com adaptar els mètodes d'aprenentatge automàtic a aquestes estructures o definir altres nous adaptats a aquest marc. Amb aquest objectiu, el concepte de Graph Edit Distance (GED) ha estat utilitzat durant dècades i diverses tècniques d'aprenentatge automàtic utilitzen la GED com a mesura de dissimilitud entre grafs per a abordar la solució de diferents problemes. Aquesta tesi presenta un compendi de mètodes d'aprenentatge automàtic centrats en dades representades per grafs. S'han afrontat diverses tasques representant les dades com a grafs i la majoria dels mètodes presentats fan ús del concepte de GED com a eina per a analitzar l'estructura de les dades. Les tècniques desenvolupades en aquesta tesi demostren que la representació mitjançant grafs de les dades és adequada per a resoldre diferents situacions i pot ser explorada per a futurs contextos. – Name: Abstract Label: Description (Translated) Group: Ab Data: Los grafos son objetos matemáticos que describen representaciones abstractas de datos cuando las relaciones entre los elementos están definidas. Cuando los datos se representan con grafos, los nodos representan los principales objetos de los datos y las aristas representan las relaciones entre ellos. En este contexto, es necesario definir o adaptar técnicas específicas de aprendizaje automático para obtener información de los datos y predecir características o rasgos que puedan ser de interés para algunas aplicaciones. Durante los últimos 40 años, los investigadores han analizado cómo representar los datos con grafos y cómo adaptar los métodos de aprendizaje automático a estas estructuras o definir otros nuevos adaptados a este marco. Con este objetivo, el concepto de Graph Edit Distance (GED) ha sido utilizado durante décadas y varias técnicas de aprendizaje automático utilizan la GED como medida de disimilitud entre grafos para abordar la solución de diferentes problemas. Esta tesis presenta un compendio de métodos de aprendizaje automático centrados en datos representados por grafos. Se han afrontado diversas tareas representando los datos como grafos y la mayoría de los métodos presentados hacen uso del concepto de GED como herramienta para analizar la estructura de los datos. Las técnicas desarrolladas en esta tesis demuestran que la representación mediante grafos de los datos es adecuada para resolver diferentes situaciones y puede ser explorada para futuros contextos.<br />Graphs are mathematical objects that depict the abstract representation of data when relations between elements are defined. When data is represented with graphs, nodes represent the main objects of the data and edges represent the relations between them. In this context, specific machine learning techniques need to be defined or adapted to obtain information from the data and predict characteristics or features that could be of interest for some applications. During the last 40 years, researchers have been analysing how to represent data with graphs and how to adapt machine learning methods to these structures or define new ones adapted to this framework. With this aim, the concept of Graph Edit Distance (GED) has been used during decades and several machine learning techniques use the GED as measure of dissimilarity between graphs to tackle the solution of different problems. This thesis presents a compendium of machine learning methods focused on graph-represented data. Diverse tasks have been faced representing the data as graphs and the majority of the presented methods make use of the concept of GED as a tool to analyse the structure of the data. The techniques developed on this thesis demonstrate that the graph representation of data is suitable to solve different situations and can be explored for future contexts. – Name: TypeDocument Label: Document Type Group: TypDoc Data: Dissertation/Thesis – Name: Format Label: File Description Group: SrcInfo Data: application/pdf – Name: Language Label: Language Group: Lang Data: English – Name: URL Label: Access URL Group: URL Data: <link linkTarget="URL" linkTerm="http://hdl.handle.net/10803/687283" linkWindow="_blank">http://hdl.handle.net/10803/687283</link> – Name: Copyright Label: Rights Group: Cpyrght Data: ADVERTIMENT. L'accés als continguts d'aquesta tesi doctoral i la seva utilització ha de respectar els drets de la persona autora. Pot ser utilitzada per a consulta o estudi personal, així com en activitats o materials d'investigació i docència en els termes establerts a l'art. 32 del Text Refós de la Llei de Propietat Intel·lectual (RDL 1/1996). Per altres utilitzacions es requereix l'autorització prèvia i expressa de la persona autora. En qualsevol cas, en la utilització dels seus continguts caldrà indicar de forma clara el nom i cognoms de la persona autora i el títol de la tesi doctoral. No s'autoritza la seva reproducció o altres formes d'explotació efectuades amb finalitats de lucre ni la seva comunicació pública des d'un lloc aliè al servei TDX. Tampoc s'autoritza la presentació del seu contingut en una finestra o marc aliè a TDX (framing). Aquesta reserva de drets afecta tant als continguts de la tesi com als seus resums i índexs. – Name: AN Label: Accession Number Group: ID Data: edstdx.10803.687283 |
| PLink | https://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edstdx&AN=edstdx.10803.687283 |
| RecordInfo | BibRecord: BibEntity: Languages: – Text: English PhysicalDescription: Pagination: PageCount: 105 Subjects: – SubjectFull: Correspondències entre grafs Type: general – SubjectFull: Distància d'editar grafs Type: general – SubjectFull: Aprenentatge automàtic Type: general – SubjectFull: Correspondencias entre grafos Type: general – SubjectFull: Distancia de editar grafos Type: general – SubjectFull: Aprendizaje automático Type: general – SubjectFull: Graph Matching Type: general – SubjectFull: Graph Edit Distance Type: general – SubjectFull: Machine Learning Type: general – SubjectFull: Enginyeria i arquitectura Type: general Titles: – TitleFull: Graph Edit Distance applied to diverse frameworks: Learning, matching and exploring techniques Type: main BibRelationships: HasContributorRelationships: – PersonEntity: Name: NameFull: Rica Alarcón, María Elena IsPartOfRelationships: – BibEntity: Dates: – D: 16 M: 11 Type: published Y: 2022 |
| ResultId | 1 |