May, 2022

图稀疏化的相关信息原则

PDF
TL;DR本文提出了一种基于信息论的图稀疏化方法，通过扩展相关信息原理，并在图的拉普拉斯矩阵上进行操作，实现了目标。该方法在图稀疏化，图正则化多任务学习和医疗影像派生的大脑网络分类等多个现实世界的应用中表现良好。
graph sparsificationinformation-theoretic formulationgraph laplaciansubgraphreal-world applications
发现论文，激发创造
  • 保持自组织的相关信息原理图结构学习

    提出了 PRI-GSL 框架，利用相关信息原理指导图结构学习，通过 von Neumann 熵和量子 Jensen-Shannon 离差度量最相关但最不冗余信息，融合量子连续行走的演化和图小波编码节点结构角色，揭示其自组织和隐藏结构。广泛实验证明 PRI-GSL 具有更高的有效性和鲁棒性。

    Dec, 2022

  • 光谱保留图稀疏化和粗化的统一框架

    提供了同时稀疏化和粗化图形的统一框架，其原理基于图拉普拉斯算子的物理解释，并使用一种无偏处理程序来减少图形并保留其大规模结构。

    Feb, 2019

  • 可解释性脑图稀疏化：图神经网络的更佳实践和有效设计

    本文介绍了一种新的框架，使用图神经网络 (GNNs) 中的有效设计来稀疏化脑图，以优化脑图分类任务。该新模型称作 “可解释的图稀疏化”（IGS），通过减少脑图的边数（最多 55.0%），提高了最多 5.1% 的分类性能，并提出了新的脑科学解释。

    Jun, 2023

  • 图的频谱稀疏化

    本文提出了一种基于图拉普拉斯矩阵谱相似性的新型图稀疏化方法，证明了任何图都有近乎线性大小的谱稀疏化，并给出了一个可在几乎线性时间内构建谱稀疏化的算法，该方法的关键组成部分之一是对具有强保证的近乎线性时间图划分算法的使用。

    Aug, 2008

  • GRASS：基于可扩展的谱扰动分析的图谱稀疏化算法

    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

  • 通过图的混合进行图稀疏化

    使用混合图 (MoG) 技术对图神经网络进行图稀疏化处理，针对每个节点的特定环境选择合适的稀疏方案，并在 Grassmann 流形上生成最优稀疏图，从而实现更高的稀疏度水平、GNN 推理速度的提升，并改善 “顶级学生” GNN 在性能上的表现。

    May, 2024

  • 通过基于置信度的图稀疏化提高 GNN 预测的可解释性

    我们提出了一种使用增强学习进行训练的 GNN 方法，通过移除边和 / 或节点找出最具预测性的子图，同时优化图分类任务的性能，从而在与基线相竞争的性能下，依赖于更稀疏的子图，从而产生更可解释的基于 GNN 的预测结果。

    Apr, 2024

  • 图重构的综合调研：稀疏化、粗化和浓缩

    图简化技术是一种应对大型图数据集复杂性和规模的有效方法，本调查研究对图稀疏化、图粗化和图凝聚等简化方法进行了全面概述，并阐述了它们在不同场景中的实际应用，为该领域的发展提供了技术综述和重要研究方向。

    Jan, 2024

  • 分布式图聚类与稀疏化

    本文提出了一个简单的分布式算法，基于采样方案将输入的密集图转化为稀疏的子图，并在多项式对数回合内完成图的聚类，同时具有高效的实现和处理大数据集的广泛应用。

    Nov, 2017

  • 图结构稀疏优化用于连通子图检测的技术报告

    本文提出两种新的高效算法 Graph-IHT 和 Graph-GHTP，以优化各种应用中的高维数据分析。这些算法基于优化一个通用非线性目标函数，附带连接约束的变量支持，特别是在子图检测应用中，这些算法可以应用于优化几种著名的图形扫描统计方法，并取得了比现有技术更好的成果。

    Sep, 2016