超图上的高阶随机游走与广义拉普拉斯算子
本文研究使用有边依赖节点权重的随机游走来发展超图的谱理论,并且给出了对于这种超图随机游走等价于图随机游走的条件,同时通过使用真实数据集展示了有边依赖节点权重的超图在排序应用中的优势。
May, 2019
本篇研究提出了一种基于高阶网络结构的新型随机游走模型,探究高阶网络中的扩散过程及其对信息扩散的影响,旨在揭示复杂网络系统中偏向性信息传播机制并成功应用于多特征对象分类任务中。
Nov, 2019
介绍了一个广义图拉普拉斯算子,旨在研究超图的特定组合属性,如多路扩展和直径,并使用扩散过程和程序化最小化器来优化 Cheeger 不等式和 k-th 程序化最小化器。
May, 2016
通过引入不同的连通性矩阵(如邻接、拉普拉斯和标准化拉普拉斯矩阵),我们研究了非均匀超图的基础加权图的谱特性,并展示了这些矩阵的谱特性可以很好地研究超图的不同结构特性。通过这些操作符的特征值研究超图的连通性。通过对 Laplacian 矩阵和标准化 Laplacian 矩阵的最小非平凡特征值进行边界限制来定义超图上的 Cheeger 恒量。此外,我们还介绍了关于超图上的 Ricci 曲率的两种不同方法。
Nov, 2017
提出了一种基于随机游走的灵活的超图数据聚类框架,该框架利用了依赖于边缘的顶点权重。通过使用边缘相关的顶点权重,我们说明了如何构建不同的超图拉普拉斯矩阵,并针对多个真实应用程序中的数据集进行了比较试验,结果表明该方法产生了更高质量的聚类结果。
Jun, 2020
本文通过研究谱范数中邻接矩阵和拉普拉斯矩阵的浓度来探索随机图与其期望值之间的典型接近程度,其中包括不同概率的独立形成的具有 n 个顶点的不均匀 Erdos-Renyi 随机图,对于稀疏随机图,其期望度数小于 o(logn),需要使这种度数正则化,本文通过一些方法,例如重量重排或删除足够的边等操作来实现,演示了在社区检测问题中,集中结果的应用。
Jun, 2015
提出了一种灵活的超图 1-Laplacian 定义框架,包括依赖于边的顶点权重,以反映超边内不同顶点的重要性,增强了超图模型的表现能力。利用超图 1-Laplacian 的第二个最小特征向量进行聚类,可以实现比传统 Laplacian 更高的聚类精度,而且该方法可以在现实数据集上得到验证。在特定情况下,超图 1-Laplacian 等效于相关图的 1-Laplacian,可以更有效地计算特征向量,方便应用于更大的数据集。
Apr, 2023
通过设计恰当的 Hodge Laplacian 归一化方法,将边缘之间的耦合进行推广,进而实现了更高阶相互作用的 Laplacian 分析,同时利用此方法提取海洋漂流器轨迹数据以及图书共购数据中的边空间信息。
Jul, 2018
在随机图中,将边权值视为概率,如果最小期望度数为 ω(ln n),则随机图的邻接矩阵和拉普拉斯矩阵集中于边权为概率的加权图,应用于债券渗透和不均匀随机图问题中,通过引入矩阵 concenetration 和集中不等式得到新的结论。
Nov, 2009
本文研究了具有可能不同边缘概率的随机图,位于期望度数有限的稀疏区域。通过在邻接矩阵的每个条目中添加数量级为 1/n 的常数,达到正则化的效果,证明了其集中作用,从而证实了在随机块模型下基于正则化谱聚类的一种最简单和最快速的社区检测方法的有效性。
Feb, 2015