Core Concepts
이 논문에서는 그래프의 공에 대한 효율적인 표본 압축 기법을 제안한다. 다양한 그래프 클래스에 대해 크기가 작은 적절한 표본 압축 기법을 설계하였다.
Abstract
이 논문은 그래프의 공에 대한 표본 압축 기법을 연구한다. 표본 압축 기법은 기계 학습에서 중요한 문제이며, 그래프의 공은 이 문제를 연구하는 데 있어 일반적인 개념 클래스와 동등하다.
주요 내용은 다음과 같다:
트리에 대해 크기 2의 적절한 무표지 표본 압축 기법과 크기 2의 적절한 표지 표본 압축 기법을 제안한다.
사이클에 대해 크기 3의 적절한 표지 표본 압축 기법을 제안한다.
사이클 트리에 대해 크기 6의 적절한 표지 표본 압축 기법을 제안한다.
입방체 자유 중간 그래프에 대해 크기 22의 적절한 표지 표본 압축 기법을 제안한다.
고정 반경의 공에 대해 트리와 간격 그래프에 대한 적절한 표지 표본 압축 기법을 제안한다.
δ-쌍곡 그래프에 대해 크기 2의 근사 표본 압축 기법을 제안한다.
이러한 결과는 그래프의 공에 대한 표본 압축 기법의 복잡도를 보여준다.
Stats
그래프 G = (V, E)의 공 Br(x)의 VC-차원은 최대 n이다. 여기서 n은 G에 포함되지 않는 가장 큰 클릭의 크기이다.
평면 그래프의 공의 VC-차원은 최대 4이다.
간격 그래프의 공의 VC-차원은 최대 2이다.
입방체 자유 중간 그래프의 공의 VC-차원은 최소 4이다.
Quotes
"그래프의 공은 기계 학습에서 중요한 개념 클래스이며, 이 문제를 연구하는 데 있어 일반적인 개념 클래스와 동등하다."
"그래프의 공의 VC-차원은 그래프 이론에서 자주 고려되어 왔다."