ACCUEIL

Consignes aux
auteurs et coordonnateurs
Nos règles d'éthique

APPEL À
CONTRIBUTION
Masses de données hétérogènes
En savoir plus >>
Autres revues >>

Revue d'Intelligence Artificielle

0992-499X
Revue des Sciences et Technologies de l'Information
 

 ARTICLE VOL 27/1 - 2013  - pp.121-144  - doi:10.3166/ria.27.121-144
TITRE
Noyau de Treelets appliqué aux graphes étiquetés et aux graphes de cycles

TITLE
Treelet kernel on labeled graphs and relevant cycle graphs

RÉSUMÉ
La chémoinformatique utilise des méthodes issues de l’informatique, plus particulièrement la théorie des graphes et l’apprentissage automatique, afin de classifier ou prédire les propriétés de bases de molécules. Dans ce contexte, les noyaux sur graphes fournissent une approche intéressante en combinant les méthodes d’apprentissage automatique et la représentation naturelle des molécules par graphes. Parmi les méthodes basées sur les noyaux sur graphes, la décomposition du graphe en sous-structures représente une importante famille de noyau. Dans cet article, nous présentons deux extensions d’un noyau précédemment basé sur les sous-structures non étiquetées à l’énumération de sous structures étiquetées et à la prise en compte de l’information cyclique des molécules. Nous proposons également des méthodes de sélection de variables permettant de pondérer un ensemble de sous-structures afin d’améliorer la précision de la prédiction.


ABSTRACT
Chemoinformatics consists to discover or predict molecule’s properties through informational techniques.Computer science’s research fields mainly concerned by chemoinformatics are machine learning and graph theory. From this point of view, graph kernels provide a nice framework combining machine learning and graph theory techniques. Among methods based on graph kernels, an major family is based on a decomposition of a graph into substructures. In this paper, we present two extensions of a kernel previously based on unlabeled sub structures to labeled substructures and cyclic information. We also propose selection methods which allow us to weight the set of considered sub structures in order to improve prediction accuracy.


AUTEUR(S)
Benoit GAÜZÈRE, Luc BRUN, Didier VILLEMIN

MOTS-CLÉS
chémoinformatique, noyaux sur graphes, apprentissage automatique.

KEYWORDS
chemoinformatics, graph kernels, machine learning.

LANGUE DE L'ARTICLE
Français

 PRIX
• Abonné (hors accès direct) : 7.5 €
• Non abonné : 15.0 €
|
|
--> Tous les articles sont dans un format PDF protégé par tatouage 
   
ACCÉDER A L'ARTICLE COMPLET  (380 Ko)



Mot de passe oublié ?

ABONNEZ-VOUS !

CONTACTS
Comité de
rédaction
Conditions
générales de vente

 English version >> 
Lavoisier