[01740230]基于图的Kernel学习方法及其应用

随着计算机技术和电子技术的发展,数据的收集越来越容易,产生的数据量日益俱增。从数据中发现潜在的有用模式的任务日益艰巨。研究和应用智能的数据分析技术是当前研究的热点问题。机器学习是信息处理的智能技术之一。在许多学科和领域的成功的应用已引起国内外学者和产业界的广泛兴趣。每年召开的与机器学习有关的国际会议和产品展示会数以百计。在工业系统中,计算智能技术如机器学习、神经网络等的应用在过去的十几年中日益增长,如利用机器学习方法在药物发现中的应用大大加速了新药的开发,产生了巨大的经济效益。 在生物信息学、化学信息学、药物发现、web数据挖掘以及社会网络的研究中,核心的问题是研究结构化对象之间的关系。而图是表达这些数据的非常自然的方式（见下图）,因此基于图的建模和分析方法研究得到广大研究人员的关注。这其中需要解决的两个根本性问题是： （1）如何度量一个图中不同的顶点之间的相似性问题？ （2）如何度量图之间的相似性问题？ 在社会网络和博客空间的研究成果中可知,这类图在全局范围内表现得高度稀疏,而在某些局部区域则表现为高度的稠密。因此研究图的局部特征的提取和利用是非常有意义的工作。如何结合局部性特征来构造新颖的Kernel函数是本项目的研究问题之一。 在药物发现的研究中需要预测候选药物分子的毒性、亲水性等,同时还需要预测与受体分子的结合性。而化学分子的空间结构通常决定了候选药物分子的特性,而且这些空间结构之间的存在互补性结构,特别是在研究配体和受体分子之间的关系时,受体分子与配体分子之间空间上的互补性表现的尤为明显。因此,如何研究利用图结构数据的互补性信息构造Kernel函数是本项目的又一研究问题。