稀疏超图的谱检测
本文介绍了一种用于网络分析中的重叠社区检测的生成模型,结合了 K - 中位数算法和谱聚类算法,且在网络不太稀疏、社区重叠不太大的情况下具有一致性,模拟和真实社交网络实验结果表明我们的方法表现优于传统方法。
Dec, 2014
本文提出一种新的数据驱动正则化方法来解决稀疏网络中恢复邻接矩阵集中性的问题,进而探讨了一种新的谱截断方法对一般 SBM 中的分类错误率的影响,并在模型的一些扩展,包括不均匀随机图模型和二元聚类问题中得到更优性能的证明。
Mar, 2018
该研究考虑处理从(少量)被审查的边缘权重观察到的隐藏二进制变量的问题,并描述了两个基于非回溯和 Bethe Hessian 算法的谱算法,在部分恢复问题中表现出渐近最优的特点,一旦可以从信息理论角度进行的时候,便会侦测隐藏分配。
Jan, 2015
研究一种用于不规则网络与潜在属性的随机图模型,提出了一种计算有效性的光谱算法并展示了其可在部分可观察网络下进行渐近正确的推测,作为其分析的副产品,该模型提供了一种构建具有预先指定的特征谱的随机图模型的通用程序。
Jun, 2014
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。
Jun, 2014
该研究提出了基于稀疏线性系统和两阶段阈值和压缩感知算法的社区检测问题解决方案,在较小计算量内有效地在 Stochastic Block Model 模型的随机图数据以及真实数据集上实现图的划分。
Aug, 2017
考虑在稀疏随机网络中检测紧密社区的问题,将其形式化为在随机图中测试是否存在密集子图。在本文中,我们研究渐近稀疏情况下的信息理论下限,并比较了各种测试方法的性能,发现我们的检测边界是尖锐的。
Aug, 2013
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