通过邻接谱嵌入理想地对随机块模型图进行聚类
本文分析 Laplacian 和 adjacency 频谱嵌入在随机块模型图中块分配恢复方面的相对性能,并研究了嵌入性能与底层网络结构之间的关系,结果表明 Laplacian spectral embedding 更适用于相对稀疏的图,而 adjacency spectral embedding 更适用于核心 - 边缘网络结构。
Aug, 2018
研究了随机块模型中谱聚类在社区提取中的性能表现,并表明在最大期望度数的阶数为 $log~n$ 时,谱聚类应用于网络的邻接矩阵时,即使度数很小,也可以一致地恢复出隐藏的社区。
Dec, 2013
研究随机图中将顶点划分为块的谱技术,通过修改邻接谱分区算法,只需估计通信概率矩阵的秩上限,从而在模型错配的情况下实现一致性,也适用于具有多种模态的邻接表以及有向或无向的图。
May, 2012
本文提出了一种新的混合成员随机块模型,使用频谱嵌入来生成节点向量表示,并通过使用高斯混合模型进行频谱聚类以及拟合保持最小体积的简单形体,可以在异 Philic 连接和消极的特定要求中提供更好的表现。
Sep, 2017
本文介绍了一种基于 Dynamic Stochastic Block Model(DSBM)的方法,使用核函数估计边缘概率张量并进行谱聚类,可适应未知的连续时间点连接概率平滑度、群体成员转换率和聚类数目,并伴随着对估计精度和聚类结果的非渐进性保证。
May, 2017
使用谱嵌入来估计随机块模型图中的块概率矩阵 B,在平均度数以 n 的 Ω(√n) 的速率增长时,我们建立了渐进正常性结果;当 B 是全秩的时,从谱嵌入得到的 B 的估计是渐近有效的;当 B 是奇异的时,从谱嵌入得到的估计可以比在没有排名假设的情况下最大化对数似然获得的估计具有更小的均方误差,并且可以几乎像假定已知 rk (B) 的真实 MLE 一样有效。
Oct, 2017