May, 2023

基于时间标签平滑性的时变图聚类

PDF
TL;DR本文提出一种基于时间变化图的节点聚类方法，其假设聚类标签在时间上平滑变化。采用基于谱聚类的优化问题公式来解决节点聚类问题，增加了标签平滑约束条件，然后采用原始双重分割算法来解决，实验结果表明，该方法是有效的。
node clusteringtime-varying graphsspectral clusteringprimal-dual splitting algorithmoptimization
发现论文，激发创造
  • 带有可证明近似保证的动态谱聚类

    该研究论文探讨了用于动态演变图的聚类算法，证明了在某些簇结构的条件下，最终图的簇可以被谱聚类算法的动态变体很好地近似，并运行时间复杂度为 O (1) 和查询时间复杂度为 o (n_T)，实验证明了该算法的实用性。

    Jun, 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

  • 自适应进化聚类

    本文提出了一种基于追踪对象间时间变化相似度并结合静态聚类的进化聚类方法，并使用缩减估计法自适应估计最优平滑参数，实验表明该方法在许多场景下优于静态聚类和已有的进化聚类方法。

    Apr, 2011

  • 动态随机块模型中的谱聚类

    本文介绍了一种基于 Dynamic Stochastic Block Model（DSBM）的方法，使用核函数估计边缘概率张量并进行谱聚类，可适应未知的连续时间点连接概率平滑度、群体成员转换率和聚类数目，并伴随着对估计精度和聚类结果的非渐进性保证。

    May, 2017

  • 基于递归图神经网络的动态图解释聚类

    研究动态图中节点聚类的问题，提出一种捕捉图中节点之间连接和集群成员关系动态变化的动态随机块模型，基于加权连接的简单衰减聚类算法。该算法通过优化衰减率实现几乎完美复原真实群集，并使用该算法提出了两种新的半监督图聚类算法。

    Dec, 2020

  • 基于图形的时间动态点云去噪

    这篇论文介绍了一种基于图结构和凸优化方法的技术，用于去噪 3D 点云，并简要讨论了这些方法如何自然推广到时间变化的输入，如 3D 点云时间序列。

    Nov, 2015

  • 估计时变网络

    本文介绍了两种新的机器学习方法来估计时间变化的网络，采用了一种顺序平滑的 $l_{1}$ 正则化逻辑回归形式，可用作标准凸优化问题，并利用通用求解器高效地解决大型网络。本文在虚拟数据集中还原时间变化网络，同时，从议员投票记录中反向构建了渐进改组政治网络的潜在序列，以及从周期性实验中重建了生物当量基因网络中的潜在演化调控网络。

    Dec, 2008

  • 带有噪声标签的本地图聚类

    通过使用噪声节点标签作为附加节点信息的替代，本研究提出了一种对局部图进行聚类的方法。实验证明，使用加权图中的扩散操作可以显著提高局部聚类的性能。

    Oct, 2023

  • 深度时变图聚类

    提出了基于交互序列的批处理模式的 deep Temporal Graph Clustering (TGC) 框架，通过调整聚类分配和邻接矩阵重建技术来适应时间图的互动动态。实验结果表明，TGC 框架可以有效提高现有临时图学习方法的性能。

    May, 2023

  • 一个用于图聚类的流算法

    我们提出了一种新的算法，用于在单次遍历的边流设置中执行图聚类，并基于模块度函数提供了理论上的解释。我们对从一百万到十亿边的大规模现实生活图表进行实验，并展示了该算法比现有算法运行速度快十倍以上，并可在最大的图表上获得相似或更好的检测分数。

    Dec, 2017