图解论,合并论等等!
本文提出了一种基于泊松度校正超图随机块模型(DCHSBM)的聚类方法,该方法利用最大似然推断来实现超图聚类,其聚类目标扩展了图的流行性目标,使用了一种新的基于节点整合的变化,具有高可扩展性。通过综合分析各种实验数据,包括学校联系网络、U.S. 国会议案、合作购买行为的产品类别和网站浏览会话的酒店位置,作者发现该聚类方法能够恢复具有相应高阶结构的真实聚类。
Jan, 2021
本文提出了一种非参数分析网络的框架,基于一种自然的极限对象 —— 图源。我们证明了在一般条件下,图源估计的一致性,包括稀疏网络等重要的实际情况。我们使用档案似然方法,并将我们的结果与逼近理论、非参数函数估计和图限理论联系起来。
Sep, 2013
该论文提出了一种计算高效的方法,基于随机分块模型(SBA)对图形进行建模,对观察到的网络数据进行了一致的估计图谱,估计误差随着图形大小的增加而消失.
Nov, 2013
本文研究了一种估计潜在变量下矩阵条件期望的方法 —— 使用图函数。通过对分段常数和 H"older 连续图函数的研究,提出最小二乘估计量和指数加权聚合的有限样本风险界。另提出使用 Lloyd 的交替最小化算法来近似该估计量。在合成数据集上进行的数值实验表明了该图函数估计器的良好性能。
Apr, 2023
通过引入显式的两层图状神经网络 (WNN) 架构,我们证明其能够用最少的网络权重近似带限信号在指定误差容限内,并且通过这一结果,建立了明确的两层 GNN 在收敛于图状函数的一系列充分大图上的可传递性。我们的工作解决了其他 GNN 结果中出现的维度诅咒问题,提供了处理各种大小图形数据的实际解决方案,同时保持性能保证而无需进行大量的重新训练。
Jul, 2023
本文考虑异质相互作用的扩散粒子系统及其大规模人口极限,其中交互是一种被底层图形表征的均值场类型,并以图上收敛。对于系统大小的增加以及底层图形的收敛,建立了大数定律的结果。极限由图上的均值场系统给出,包括独立但具有异质性的非线性扩散,其概率分布是完全耦合的。提供了这种系统的良好定义、连续性和稳定性。我们还考虑了一个不太密集的有限粒子系统的类比,通过消失率和适当的交互缩放得到。对于这些系统收敛到相应的图形上均值场系统,证明了大数定律的结果。
Mar, 2020
提出了一种由附加信息引导的新颖图聚类方法,将问题形式化为将观察到的图的 n 个顶点(要聚类)与 k 个顶点的模板图匹配,使用其边缘作为支持信息,并在正交矩阵集合上放松,易于找到 k 维嵌入。通过编码聚集的密度和他们的关系的相关先验,我们的方法在特别具有挑战性的情况下优于传统方法。
Jul, 2021