Classification in biological networks withhypergraphlet kernels笔记 图学习：一般可以看作是监督的或非监督的。在监督设置下，对典型任务进行分类;即。，全图[55]标签的赋值，顶点或边分类;或link prediction中，集预测图中边的存在性。

摘要

超图是图的一种概括，它提供了一种框架来减少信息损失，并统一不同的基于图的方法。在本文中，我们提出了一种基于超图的建模物理系统的方法，并将超图上的顶点分类、边缘分类和链接预测问题表示为半监督设置中(扩展的、对偶的)超图上的顶点分类的实例。本文介绍了一种新的顶点和边标记超图的核方法，用于分析和学习。该方法基于小的简单超图的精确和不精确(通过超图编辑距离)枚举，称为hypergraphlets，用感兴趣的一个顶点作为根。图核经常开发与传统向量空间方法类似的想法。
图分类可以使用概率图模型，如马氏随机域[30]和相关的标签传播[66]或基于流的[40]方法。

图分类问题定义

节点分类
半监督学习，知道一些点的label 去预测一些点的label ,(比如cora引用数据集问题，蛋白质功能预测[，疾病基因优先化）。
边分类问题
对超边进行分类，也是半监督，由图中已知的边label预测无标签，例子：预测各种大分子的相互作用，如阳性和阴性调节
连接预测
这里 $G+(V,E)$ 表示失去了一些超边的超图
目标是学习一个目标函数:U→{−1，+1}，并推断所有缺失的超边的存在性。例如预测蛋白-蛋白相互作用，预测药物-靶标相互作用等

超图二元性

从顶点定义或者从边定义

Classification in biological networks withhypergraphlet kernels笔记

方法

从 Hypergraphlets 出发（hypergraph是从graphlets中类比过来的），我们定义超图是微小的、简单的、连通的、有根的超图。如下面是同构或者非同构的超图。
Classification in biological networks withhypergraphlet kernels笔记