Oct, 2022

基于块结构优化的互依网络子图检测

PDF
TL;DR本文提出了一种广义块结构非凸优化框架，其中包括应用于多层网络，时间网络，网络网络等相互依赖网络中的结构子图检测。我们设计了一个有效，高效和可并行化的投影算法，即 Graph Block-structured Gradient Projection (GBGP)，用于优化满足图结构约束的一般非线性函数，并证明了我们的算法：1）在网络规模上近线性时间运行；2）具有理论上的近似保证。此外，我们演示了如何将我们的框架应用于两个非常实际的应用，并进行了全面的实验，以展示我们提出的算法的有效性和高效性。
block-structured nonconvex optimizationsubgraph detectioninterdependent networksgraph block-structured gradient projectionapproximation guarantee
发现论文，激发创造
  • 图形贝叶斯优化：算法、评估和应用

    本文提出了一种灵活的图贝叶斯优化框架，结合了图内核，通过识别优化过程中哪些特征更重要来完全利用隐含的图结构特征并证明了其有效性和潜在应用。

    May, 2018

  • 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

  • 一类结构化非线性规划的随机非单调块次梯度法

    本文提出了一种随机非单调块次梯度法，可用于最小化平滑函数和块可分离（可能非凸，非光滑）函数之和。该方法具有一定的收敛速度和找到一个近似静止点的能力，可以用于解决最小二乘问题和双重支持向量机问题。

    Jun, 2013

  • 基于图神经网络的组合优化统一框架

    基于图神经网络 (GNNs) 的统一框架，解决组合优化问题 (COPs)，包括 COPs 的图表示、非图结构 COPs 转换为图结构 COPs 的等效转换、图分解和图简化，利用 GNNs 有效捕获关系信息和提取 COPs 图表示的特征，为 COPs 提供了通用解决方案，能够解决非图结构和高度复杂图结构的 COPs 限制。

    Jun, 2024

  • 随机迭代硬阈值法用于基于图的稀疏优化

    本文介绍了一种基于随机梯度下降法的方法，用于解决图结构稀疏约束问题，并证明该算法具有与批量学习设置中相当竞争的线性收敛率。

    May, 2019

  • 利用子图信息识别具有预测性的基础结构压缩模型

    通过引入信息瓶颈理论的设计，结合相似桥接原理和互信息估计式的互动，提出了一种新型的子图信息瓶颈架构来识别预测压缩的子图，成功去除了图数据中的噪音和冗余，具有高效和稳定性，得到了较好的优化结果和理论边界。

    Mar, 2021

  • 属性图上的深度贝叶斯优化

    本文提出了一种基于深度图神经网络的可扩展深度图贝叶斯优化方法，用于优化具有上下文特征的 attributed graphs 的 graph structure，解决了传统模型自由方法计算时间长的问题，并在分子发现和城市道路网络设计等人工和真实问题上得到了有效的验证。

    May, 2019

  • 非参数加权随机块模型

    本文提出了一种基于贝叶斯方法的加权随机块模型，可以用于推断加权网络的大规模模块结构，方法为无参数方法，使用数据来推断模型中的群组数量和其他维度，并提供了不同种类的边权（如连续或离散、有符号或无符号、有界或无界等）以及任意权重转换的综合处理。作者还描述了无监督模型选择方法来选择最佳网络描述，并且将该方法应用于各种实际加权网络，例如全球移民、国会中的投票模式和人类大脑中的神经连接。

    Aug, 2017

  • Bethe 投影用于非局部推理

    本文提出了一种方法，通过非欧几里得的投影梯度下降，并使用 Bethe 熵作为距离产生函数，以捕获强大的潜在变量的非局部统计信息，同时维持可钦定的快速推理性能，以判别地学习广泛的推理目标，并将该方法应用于结构化引用提取、手写识别和集体图模型中。

    Mar, 2015

  • 基于梯度的双变量 DAG 学习中的全局最优性

    该论文证明了一种简单的路径追踪优化方案可全局收敛于双变量情况下人口损失的全局最小值，解决了学习无环有向图模型中非凸优化问题的全局优化难题。

    Jun, 2023