NetLSD: 倾听图形的形状
本文提出了一种有效的图谱比较方法 SLaQ,该方法使用谱分析技术计算大规模图结构的相似度,可在线性时间内获取误差较小的结果。实验结果表明 SLaQ 的精度比现有方法提高了数个数量级,且在单机上能够在几分钟内比较百万级别的图。
Mar, 2020
本研究提出 NetSimile,一个能够快速评估不同网络相似性和提取描述性数字特征的方法,以在图挖掘中进行聚类、异常检测、可视化、网络转移学习和重新识别等任务中具有卓越的效果,并在多个合成和真实图表现出更好的性能表现。
Sep, 2012
基于 Laplacian 算子,谱图卷积神经网络是一种用于图数据的卷积网络,并已被证明可以稳定地在不同大小和连接性的图之间传输谱滤波器,在图回归、图分类和节点分类等任务中表现出良好的性能。
Dec, 2020
本文探讨了如何将卷积神经网络推广到更广泛的定义域上。作者提出了两种构造方法,分别基于分层聚类和图拉普拉斯谱。结果表明,在低维图形上,可以实现独立于输入尺寸的卷积层学习,从而实现高效的深度网络结构。
Dec, 2013
本研究提出了一种不需要参数调整的图缩减方法来构建适用于谱聚类和 SpectralNet 的图,通过邻域密度和相似度过滤,实现了高效的聚类检测。
Feb, 2023
本文介绍了 GRASP 模型,这是一种基于图拉普拉斯矩阵的频谱分解和扩散过程的新颖的图生成模型。我们使用去噪模型从图上采样特征向量和特征值,通过它们可以重构图拉普拉斯矩阵和邻接矩阵。该模型能够处理节点特征,并利用拉普拉斯谱自然地捕捉图的结构特性,在避免其他方法的二次复杂度限制的同时,直接在节点空间中进行操作。我们的实验结果表明,通过截断谱,我们的模型能够更快速而准确地进行生成过程,相对于其他现有方法具有较强的优势。
Feb, 2024
本文提出了一种相似性感知的谱图稀疏化框架,利用有效的谱偏树边嵌入和过滤方案构建谱稀疏化,实现了保证谱相似度(相对条件数)水平的过滤,同时介绍了迭代图密度增加方案以促进高度病态问题的有效过滤。该方法已验证了各种公共领域稀疏矩阵收集到的图表,包括与 VLSI CAD、有限元分析、社会和数据网络频繁研究的许多机器学习和数据挖掘应用相关的图表。
Nov, 2019
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