本文提出了一种基于分割二分图的新型数据聚类方法,旨在最小化未匹配的顶点之间的边权重总和,通过边权重矩阵的奇异值分解来近似解决这个最小化问题并且在文档聚类问题上取得了显著的效果。
Aug, 2001
本文基于之前的研究,在计算机视觉中解决超图分割的问题,并提出可以证明的高效分割算法,同时对各种超图分割方案进行了详细的实证比较。
Feb, 2016
本研究提出了基于深度学习的 GAP 框架来解决节点分割问题。通过定义不同 iable 损失函数以及利用反向传播来优化网络参数,实现基于图结构的节点分割。相较于传统的分割方法,GAP 不仅更快,并且具有良好的扩展性能力,可适用于不同的图结构,并可推广到未知的图形结构上。研究表明,GAP 能够取得与传统分割方式相媲美的结果。
Mar, 2019
本论文提出了一种基于 Dirichlet 特征值的非凸图划分目标函数, 并设计了一种新颖的重排算法来达到最优, 可应用于几个聚类问题并拓展至半监督, 在合成数据、MNIST 手写数字和流形离散化图上都取得了有效结果。
Aug, 2013
本研究引入了一种新颖的流程,利用无监督图神经网络来解决图分割问题,并提出了一个专门用于此目的的可微损失函数。对于当前先进技术,我们对度量指标:割边和平衡进行了严格评估,结果表明我们的方法具有竞争力。
Dec, 2023
本文针对基于分布的局部聚类问题,提出了结合超图和图模型的新方法,通过组合优化算法求解,并在三角形图案实验中表现出了较高的性能表现。
May, 2022
本文研究了大规模图的本地算法设计并提出了一种本地聚类算法,该算法可在几乎线性的时间内找到较好的簇,并基于该聚类算法提出了一种划分算法,进而设计了求解对称对角占优矩阵中线性系统的近线性算法,还提出了其他相关结果。
Sep, 2008
本研究介绍了一类具有不同子模割权重的子模割超图,定义了 p-Laplacians 的概念并推导了相应的节点域定理和 k-way Cheeger 不等式,最后描述了计算 1 - 和 2-Laplacians 的算法,构成了新的谱超图聚类方法的基础。
Mar, 2018
本文研究了基于矩阵浓度不等式的谱超图划分算法的误差边界,研究了一种广义的随机非均匀超图种子分区模型,并证明了这个算法与该模型的一致性结果,为对超图分区理论的了解提供了新的观点。
May, 2015
通过一种新框架,NeuroCut,结合了神经网络和强化学习,并具有对不可微分函数的优化能力,从而在图分区问题中表现出色,并在多种分区目标中展现出较强的泛化能力和拓扑鲁棒性。
Oct, 2023