ICMLMay, 2024

LSEnet: 洛仑兹结构熵神经网络用于深度图聚类

PDF
TL;DR图聚类是机器学习中的一个基本问题，本文提出了一种使用图信息理论解决未知聚类数量的图聚类问题的方法，通过最小化可微分的结构信息，构建最优的分区树，其中稠密连接的节点在图中有相同的分配，并且在 Lorentz 模型中设计了神经 LSEnet 将节点特征与结构信息集成，实验证明该方法具有优越性。
发现论文，激发创造
  • SE-GSL: 通过结构熵优化实现通用且有效的图结构学习框架

    本文提出了一个名为 SE-GSL 的通用图结构学习框架，通过结构熵和在编码树中抽象的图层次来优化图结构的质量和可解释性，它对于各种图神经网络模型具有增强鲁棒性的作用。

    Mar, 2023

  • SpectralNet：使用深度神经网络进行谱聚类

    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

  • 结构化深度聚类网络

    该论文提出了一种结构深度聚类网络（SDCN）方法，它将图卷积网络（GCN）的结构信息整合到深度聚类中，通过自监督学习机制使两种不同的深度神经网络架构统一并指导整个模型更新，进而提高聚类的准确性。

    Feb, 2020

  • 无监督结构熵基鲁棒性图神经网络

    提出一种基于结构熵的无监督鲁棒图神经网络，能够缓解图随机性带来的影响，且无需标签信息即可学习节点的适当表示；同时，该模型通过引入结构熵在目标函数中捕获一个具有相同嵌入的图，并在三个数据集上的聚类和链接预测任务中击败了基准模型，表现出更强的鲁棒性。

    Feb, 2023

  • 基于结构熵的半监督聚类算法在不同约束条件下的应用

    我们提出了一种能够整合不同类型约束的半监督聚类方法 —— 结构熵半监督聚类 (SSE)，通过将常用的成对约束和标签约束统一处理，将约束融入结构熵中，并为其优化设计了相应的目标函数和算法。我们使用九个聚类数据集对 SSE 进行了实验比较，结果表明它在具有不同类型约束时能够获得较高的聚类准确性。此外，我们通过对四个单细胞 RNA 测序数据集进行的细胞聚类实验证明了 SSE 在生物数据分析中的功能。

    Dec, 2023

  • 使用抗噪扩散谱熵评估神经网络训练过程中的表示

    我们通过利用数据几何形态来计算熵和互信息，从而可靠地评估高维数据中的学习过程，证明其在分类网络中的增长和影响。

    Dec, 2023

  • 基于熵的深度神经网络引导加速收敛与提升性能

    通过引入基于熵的损失项，我们提出了一种新的方法来加强神经网络学习丰富的潜在数据表示，在更少的维度上收敛于更好的测试指标，并在图像压缩和图像分类的实验中展示了其有效性。

    Aug, 2023

  • 学习具有潜在节点和结构噪声的网络动力系统的因果结构

    通过对观测节点的时间序列数据进行特征嵌入和聚类，解决了具有噪声相关性和部分可观测性的线性网络动力系统中隐藏因果网络的学习问题。

    Dec, 2023

  • 学习结构感知的深度谱嵌入

    本研究提出了一个深度学习算法，通过结构感知谱嵌入和结构保持，编码输入数据的子空间结构和形状信息，并基于自表达学习和注意力机制，能够更好地处理非线性数据集的聚类问题，并在六个真实数据集上取得了优异的聚类性能和更好的泛化能力。

    May, 2023

  • 基于图结构数据的深度卷积网络

    本文介绍了一种将谱网络与图估计过程相结合的方法，用于构建小学习复杂度和处理没有强规律的领域的深层神经网络，并在大规模分类问题中测试并达到更好的性能。

    Jun, 2015