SpectralNet 的随机投影树相似度度量

Feb, 2023

Random projection tree similarity metric for SpectralNet

Mashaan Alshammari, John Stavrakakis, Adel F. Ahmed, Masahiro Takatsuka

TL;DR本研究利用神经网络分离数据内嵌，提出了一种基于 rpTree 相似性度量的 SpectralNet 相似性度量方法来进行图聚类，实验证明，与基于距离度量的 $k$-nn 图相比，基于 rpTrees 的 SpectralNet 能够获得更好的聚类准确性。

Abstract

spectralnet is a graph clustering method that uses neural network to find an embedding that separates the data. So far it was only used wi

发现论文，激发创造

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

本文介绍了一种新的构建图形和初始化 GCN 的方法，基于 rpForest，并通过谱分析来设置该参数的正确范围，实验结果表明，使用 rpForest 初始化 GCN 比 $k$-nn 初始化方法提供更好的结果。

Feb, 2023

FastRP 是一种用于学习图中分散式节点表示的可扩展和高性能算法，其构建了捕捉图中传递关系的节点相似度矩阵，利用非常稀疏的随机投影进行维度缩减，并迭代计算节点嵌入，从而达到了与 DeepWalk 和 node2vec 相当甚至更好的性能。

Aug, 2019

使用随机分箱特征（RB）的新型可扩展谱聚类方法，通过内积计算大型稀疏特征矩阵来近似图相似性（核）矩阵，然后使用最先进的奇异值分解（SVD）求解器有效地计算此大型矩阵的特征向量，从而将计算成本从二次降至线性，同时实现类似的精度和更快的收敛。

May, 2018

本文提出了一种基于图信号处理的快速谱聚类算法，通过使用图滤波器对随机信号进行谱聚类距离矩阵的估计，利用这些随机向量的随机性来估计聚类数目 k，相较于传统谱聚类方法，我们的方法在大规模数据集上表现相当且速度至少快二倍。

Sep, 2015

本文提出了一种基于样本点的谱估计器来构建随机几何图的方法，并证明其与非参数估计方法具有相同的收敛速率，同时提供了一种高效的计算方法，并通过该方法能够稳定地估计潜在空间的维度。

Sep, 2019

本篇论文提出了一种名为 SpectralNet 的深度学习方法，通过在大量的未标注数据上训练，将输入的数据转换为与其相连的图拉普拉斯矩阵的特征空间的向量，并成功地应用于谱聚类，实现了对谱聚类中可扩展性以及广义化转化的双重突破。

Jan, 2018

本文探讨了两种影响随机投影森林中 k - 最近邻搜索 (K-NN 搜索) 性能的因素（数据点的分散性和 rpForest 中树的数量），研究表明随机投影森林的数量较大时，数据点的分散性对 K-NN 搜索影响非常有限。因此，在选择随机方向时，应使用原始 rpTree 算法，而不考虑数据点的分散性。

Feb, 2023

本文提出了一种新的混合成员随机块模型，使用频谱嵌入来生成节点向量表示，并通过使用高斯混合模型进行频谱聚类以及拟合保持最小体积的简单形体，可以在异 Philic 连接和消极的特定要求中提供更好的表现。

Sep, 2017

本文提出了一种基于图信号处理的方法，采用图滤波和随机采样技术加速生成 Laplacian 矩阵特征向量和 k-means 聚类算法步骤，该方法在控制误差的同时计算时间效率可达到数个数量级的提升，并在人工合成数据和真实网络数据集上进行测试。

Feb, 2016