May, 2023

学习正确的层级:一种基于数据驱动的多层图半监督学习层聚合策略

HTML
PDF
TL;DR本研究提出了一种针对多层图所进行的聚类方法，其中采用了基于Laplacian正则化的非参数模型，并结合修改后的Label Propagation迭代方法，成功地进行了半监督学习，使得每一层所具有的信息内容更为丰富，聚类效果得到显著提高。
发现论文，激发创造
  • 基于多层图谱的聚类：谱学视角

    本文提出了两种新方法来有效地将多层图的频谱结合起来，通过联合矩阵分解和图正则化框架来提高顶点的聚类效果，同时在社交网络数据集上显示出了优异的性能。

    Jun, 2011

  • 利用 Grassmann 流形上的子空间分析在多层图上进行聚类

    本文提出了一种分析多层图并通过在Grassmann流形上使用子空间分析工具来结合个体图层特征的方法。 这种方法可以视为原始数据的低维表示，其中保留了实体之间不同关系的最重要信息，并可用于聚类。 在多个数据集上的实验结果表明，该算法具有优异的性能和竞争力。

    Mar, 2013

  • 多层网络推理的改进深度嵌入

    本文提出了一种新的方法，通过DeepWalk在supra图上共同获得所有层的节点嵌入，并对嵌入进行微调，以在潜在空间中促进凝聚结构，通过节点分类，链接预测和多层社区检测的实证研究表明，该方法在多项基准测试中优于现有的单层和多层网络嵌入算法。

    Sep, 2018

  • 基于聚类节点信息的无监督图表示学习算法：Graph InfoClust

    本研究提出了一种用于图数据挖掘的无监督学习方法，称为Graph InfoClust（GIC），该方法利用可微分K均值方法计算出聚类信息并最大化同一聚类节点之间的互信息，从而获得更多信息和节点相互作用，并在节点分类、链路预测和节点聚类等各种下游任务中明显优于现有方法。

    Sep, 2020

  • 基于图的半监督学习：综述

    本文着重阐述了基于图的半监督学习方法的各种变体及其概述、连接和发展方向。新的广义分类方法为图正则化和图嵌入方法提供了指导和最新的研究参考。

    Feb, 2021

  • 基于结构相似度度量的半监督社区发现

    本文提出了一种半监督社区检测算法，该算法利用网络拓扑和部分已知社区标签对新节点进行社区标签估计。该算法使用修正节点度数的随机块模型来对网络进行建模，并计算新节点与每个社区之间的结构相似度指标，从而预测新节点的社区标签。该算法在理论和实践中均证明了其有效性，是首个提供理论保证的半监督社区检测算法。

    Jun, 2023

  • 基于聚类的图表征学习加速

    本文提出一种聚类学习框架CARL-G，使用Cluster Validation Indices（CVI）衡量质量，适用于不同的聚类方法，相对于基线提高了79倍的训练速度，并在节点聚类和相似性搜索任务中表现出色。

    Jun, 2023

  • 高效学习图形进行半监督学习

    本研究提出了一种利用多个数据集学习半监督学习图的算法，最终实现了在已知图或者未知图的情况下提高计算效率。

    Jun, 2023

  • 基于同质性增强的图聚类结构学习

    提出了一种基于同质性增强的结构学习方法（HoLe），通过两个聚类导向的结构学习模块对图结构进行了优化，并通过交替训练同质性增强的结构学习和基于GNN的聚类来实现它们的相互作用，在多个基准数据集上证明了其优越性。

    Aug, 2023

  • 重新审视图聚类的模块化最大化：对比学习的视角

    本研究探讨了模块性最大化方法在图聚类中的潜在成功，将模块性最大化与图对比学习联系起来，提出了一种基于社区感知的图聚类框架 MAGI，通过利用模块性最大化作为对比预训练任务来有效地揭示图中社区的潜在信息，同时避免了语义漂移问题。广泛实验证实了 MAGI 在多个图数据集上的可扩展性和聚类性能，表现优于现有的图聚类方法，并且在大规模图上具有优越的性能。

    Jun, 2024