使用 Bethe Hessian 对图进行谱聚类

Jun, 2014

Spectral Clustering of Graphs with the Bethe Hessian

Alaa Saade, Florent Krzakala, Lenka Zdeborová

TL;DR该研究提出使用 Bethe Hessian operator 代替 non-backtracking operator 进行图的聚类，从而在检测聚类方面具备了 non-backtracking operator 的性能，同时具备了实数对称矩阵计算，理论和存储方面的优势。

Abstract

spectral clustering is a standard approach to label nodes on a graph by studying the (largest or lowest) eigenvalues of a symmetric real matrix such as e.g. the adjacency or the Laplacian. Recently, it has been argued that using instead a more complicated, non-symmetric and higher dime

spectral clustering non-backtracking walk bethe hessian operator stochastic block model symmetric matrices

发现论文，激发创造

用于有向图聚类的厄米矩阵：洞察与应用

本文提出基于复值矩阵表示有向图的谱聚类算法，以克服现有有向图谱聚类算法的局限性，并应用于美国内部迁移数据集，揭示了人们从农村向城市化程度更高的地区迁移的规律。

Aug, 2019

谱救赎：稀疏网络的聚类

基于非回溯行走的新型谱算法优于传统谱聚类算法，特别是对于稀疏网络，因维护大量特征值与社区相关，因此在社区探测方面更为优异。

Jun, 2013

基于 1-Laplacian 的边相关节点权重的超图谱聚类

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

小批量谱聚类

采用自适应随机梯度优化的实用方法可以学习拉普拉斯矩阵的完整光谱，且每个迭代的成本与样本数量成线性关系，实验证明其具备比近似方法更好的计算可扩展性。

Jul, 2016

光谱聚类和高维随机块模型

本文提出了用于网络中的聚类分析的一种新方法，利用谱聚类在随机块模型中发现社区和研究潜在空间模型下的特征向量。

Jul, 2010

估算大型隐式矩阵的谱密度

本研究结合多种不同的随机估计技术，展示了在存在噪声的情况下，构建偏差估计器以回答有关隐式矩阵光谱的广泛问题是可能的。

Feb, 2018

稀疏超图的谱检测

本文提出了一种基于广义非回旋 Hashimoto 矩阵的谱方法，用于从超边集合中的节点分配到社区的问题，并在稀疏区域分析其性能，结果表明此方法能够检测到社区，同时具有更简单、完全非参数化的重要优点，并且能够在不事先知道超边生成规则的情况下进行学习。

Jul, 2015

使用随机信号的图滤波加速光谱聚类

本文提出了一种基于图信号处理的快速谱聚类算法，通过使用图滤波器对随机信号进行谱聚类距离矩阵的估计，利用这些随机向量的随机性来估计聚类数目 k，相较于传统谱聚类方法，我们的方法在大规模数据集上表现相当且速度至少快二倍。

Sep, 2015

关于随机块模型图的谱嵌入性能和揭示网络结构

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

理论与实践中的快速简单谱聚类

本研究提出了一种基于顶点嵌入的简单谱聚类算法，通过幂法计算的向量，在接近线性时间内计算顶点嵌入，并在输入图形的自然假设下，算法能够可靠地恢复出真实聚类结果。通过在多个合成和现实世界数据集上的评估发现，该算法与其他聚类算法相比，具有显著更快的速度，并且产生的聚类准确度基本相同。

Oct, 2023