Jun, 2020

超图随机游走、拉普拉斯和聚类

PDF
TL;DR提出了一种基于随机游走的灵活的超图数据聚类框架，该框架利用了依赖于边缘的顶点权重。通过使用边缘相关的顶点权重，我们说明了如何构建不同的超图拉普拉斯矩阵，并针对多个真实应用程序中的数据集进行了比较试验，结果表明该方法产生了更高质量的聚类结果。
hypergraphclusteringrandom walksedvwlaplacian matrices
发现论文，激发创造
  • 具有边相关顶点权重的超图上的随机游走

    本文研究使用有边依赖节点权重的随机游走来发展超图的谱理论，并且给出了对于这种超图随机游走等价于图随机游走的条件，同时通过使用真实数据集展示了有边依赖节点权重的超图在排序应用中的优势。

    May, 2019

  • 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

  • 超图上的高阶随机游走与广义拉普拉斯算子

    本文通过研究高阶超图随机游走，介绍了一组超图拉普拉斯算子以统一超图的不同版本，证明这些拉普拉斯算子的特征值可以有效地控制高阶随机游走的混合速率，推广距离 / 直径和边界扩展。

    Feb, 2011

  • 基于超图和无向图的等效性的超图卷积网络

    提出了 GHSC 框架，它不仅处理具有边独立顶点权重（EIVWs）的超图，还处理具有边相关顶点权重（EDVWs）的超图，并能够利用现有的 GCNN，从而大大简化了超图神经网络的设计。

    Mar, 2022

  • 超图上的随机游走

    本篇研究提出了一种基于高阶网络结构的新型随机游走模型，探究高阶网络中的扩散过程及其对信息扩散的影响，旨在揭示复杂网络系统中偏向性信息传播机制并成功应用于多特征对象分类任务中。

    Nov, 2019

  • 利用随机游走进行动态图形的高效表征学习

    本文介绍了一种有效的算法，可以基于动态图扩展随机游走技术用于顶点表示学习，并以实验数据说明了其在多分类和多标签顶点分类等机器学习任务中表现出与最先进方法相当的计算效率。

    Jan, 2019

  • 通过高阶超图漫步进行超网络科学

    本文提出了高阶超图行走作为一个新的框架来推广基于图的网络科学技术到超图中，并通过应用高阶模型分析真实世界的超网络数据和三个生成模型发现了超图结构的微妙和可解释性，表明当利用针对捕捉超图本地现象的工具时，超图结构化数据的分析更加丰富。

    Jun, 2019

  • 超图中的随机游走和社区检测

    本研究提出了一个参数的随机游走过程，应用于超图领域，探索了不同超图投影的随机游走过程的社区结构，并针对人工及真实超图采用了广义 Markov 稳定性框架的实验测定。

    Oct, 2020

  • 受挫随机漫步：一种在超图上计算节点距离的快速方法

    我们提出了一种基于随机游走的新方法，用于超图上的标签传播，其中我们将节点距离估计为随机游走的预期命中时间，并引入了困惑随机游走来更好地描述高度复杂的实际超图。我们还将我们的方法与 DeepWalk 进行了基准测试，结果显示在目标数量较小的情况下，FRW 在运行时间上具有明显的计算优势。最后，我们分析了我们方法的时间复杂度，并表明对于大型稀疏的超图，复杂度近似为线性，优于 DeepWalk 的替代方案。

    Jan, 2024

  • 随机游走图嵌入的更广泛视角

    该论文提出了一个基于随机游走的图嵌入分析框架，包括三个组件：随机游走过程、相似性函数和嵌入算法，该框架不仅可以分类许多现有方法，而且自然地激发新方法，通过它，我们演示了改进下游任务性能的多个尺度嵌入的新方法。此外，我们还发现，基于自协方差相似性的嵌入，在与点积排名进行链路预测时，比基于点互信息相似性的最先进方法表现提高了多达 100％。

    Oct, 2021