基于谱嵌入连接的超图建模:超图切割、加权核 $k$ 均值和热核
为解决相似性测量困难及非线性相似性未被充分考虑等问题,在核空间中提出一种模型,同时学习聚类指示器矩阵和相似度信息,并通过多核学习能力进一步扩展模型以选择最合适的内核。该模型可自动完成三个子任务以获得最佳聚类解决方案。
May, 2017
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
探索仅具有多向相似性度量的多向测量设置,开发两种算法:Hypergraph Spectral Clustering(HSC)和 Hypergraph Spectral Clustering with Local Refinement(HSCLR),并取得在二元加权边缘情况下的优异结果。
May, 2018
该研究通过使用热核在 Gromov-Wasserstein 的框架上实现了新的多尺度图比较,提出了一种通过最优输运来解决 k-cut 图分割问题的新方法,比当前最先进的 GWL 技术在真实世界网络上表现更佳。
Jun, 2020
本研究提出了一种基于路径相似性的 MeanCut 算法,通过在度数降序优化来实现非破坏性图划分,从而增强簇内关联性,允许对任意形状的簇进行识别并对噪声具有鲁棒性。同时,还通过将最优路径搜索转换为生成最大生成树(MST)来降低相似性计算的复杂性,进一步提高算法的时间效率。
Dec, 2023
本文提出了一种改进的光谱聚类算法,旨在解决预定义的相似性图可能不是合适的聚类结果,并且传统离散化解决方法与光谱解决方案可能不一致的问题,并引入多核学习来解决如何选择最适合特定数据集的核的应用挑战。实验结果表明,该方法相比于现有的聚类方法具有更好的性能。
Nov, 2017
该研究论文提出了两种新的方法,一种基于函数分析原则和核方法,另一种是基于训练优化原则变分损失的深度网络,以构建数据的谱嵌入,并提供了一个新的采样算法,以在单个步骤中利用学习的表示来生成新样本。
Jun, 2023
提出了一种更有区分性的图学习方法,该方法具有自适应性,可以保留样本之间的成对相似度,并且有效地统一了聚类和图学习,可在不执行进一步聚类步骤的情况下直接从图本身获取聚类指标。
May, 2019
本文介绍了一种名为 GraphHeat 的方法用于对图结构数据进行半监督学习,并且能够在 Cora、Citeseer 和 Pubmed 数据集上取得最新颖的结果。
Jul, 2020