- HyperSAGE: 超图归纳表示学习的通用化
本文介绍了 HyperSAGE,这是一种新的超图学习框架,它使用了双层神经消息传递策略来准确高效地通过超图进行信息传播,并比基准数据集上的现有方法表现更好,具有更高的表达能力和更稳定的节点表示。
- 最小交点覆盖和广义最小交集覆盖的改进逼近算法
研究广义最小和集覆盖 (GMSSC) 问题,提出一种基于 LP 松弛和随机四舍五入的算法,解决传统特例 (MSSC) 问题并取得 4.642 的近似比例;同时在最小和顶点覆盖 (MSVC) 问题中获得 16/9 的近似比例,并且证明了常规线 - 超图随机游走、拉普拉斯和聚类
提出了一种基于随机游走的灵活的超图数据聚类框架,该框架利用了依赖于边缘的顶点权重。通过使用边缘相关的顶点权重,我们说明了如何构建不同的超图拉普拉斯矩阵,并针对多个真实应用程序中的数据集进行了比较试验,结果表明该方法产生了更高质量的聚类结果。
- KDD基于 PageRank 的超图聚类
本文提出了两种基于个性化 PageRank 的超图聚类算法,它们都具有输出顶点集合对导纳有理论保证的优点,并在解决方案质量和运行时间方面优于现有方法。这是第一篇在具备理论保证的情况下实现了超图聚类的实用算法。
- 使用超图网络学习领域无关计划启发式
通过学习来自 Scratch 的方法,我们提出了第一种能够学习无领域依赖规划启发式的方法。我们通过将规划问题的删除松弛表示的超图映射到通过超图从当前状态到目标的最小成本路径的成本估计来学习启发式。我们将图形网络推广到超图上学习,通过训练从最 - AAAI学习非均匀超图进行多目标跟踪
本文提出了基于非均匀超图的近实时多目标跟踪算法,使用结构支持向量机自动学习不同程度的依赖关系的超边权重来建模各种依赖关系,实验结果表明我们的方法在各种具有挑战性的数据集上均优于现有的多目标跟踪方法。
- 相关聚类推广
LambdaCC 和 MotifCC 是两种变体的相关聚类问题,应用于网络分析和社区检测,我们提出了两种非平凡的逼近算法来解决该问题,其中我们提出了两个算法来改善先前的逼近结果,同时还研究了在构造两个簇的限制下的逼近结果,其中 MotifC - 基于随机块模型的超图:统计极限和半定规划方法
该文章探讨了在随机超图模型中用于社区检测的随机块模型问题(k-SBM),研究了正确定位问题并表明其存在阈值现象:在阈值以下不可能以非零概率找回社区,而在阈值之上,有一个估计器几乎可以确定性地找回社区。作者还考虑了一种基于半定松弛技术的精确恢 - 基于超图的鲁棒几何模型拟合中代表性模式的搜索
本文提出了一种简单而高效的几何模型适应方法,该方法利用超图的典型性寻求问题以适应并分割多重结构数据,同时在存在严重的异常值情况下。
- 超图的谱
通过引入不同的连通性矩阵(如邻接、拉普拉斯和标准化拉普拉斯矩阵),我们研究了非均匀超图的基础加权图的谱特性,并展示了这些矩阵的谱特性可以很好地研究超图的不同结构特性。通过这些操作符的特征值研究超图的连通性。通过对 Laplacian 矩阵和 - AAAI超图 $p$-Laplacian: 微分几何观点
本文将图 Laplacian 和微分几何的类比推广到超图 setting,进而提出了一种新的超图 $p$-Laplacian 以及一种基于此的半监督学习方法,并进一步探索了与超图 cut 和 normalized cut 的一般形式的关系和 - 递归超图结构的定义
为探索乔治城大学 AvesTerra 数据库结构的形式基础,我们正式化一个递归超图数据结构,称为 Ubergraph。
- 超图模型用于几何模型拟合
该论文提出了一种基于超图的方法(称为 HF)来适应和分割多结构数据,该方法采用了一种新的超图模型,可以有效地和高效地估计存在于含有离群值且具有复杂关系的数据中的模型实例的数量和参数,并开发了鲁棒的超图分区算法来检测模型拟合的子超图。
- KDD利用邻域树的关系聚类表达差异性测量
本文介绍了一种新的关系数据相似度量,该相似度量包括属性相似度、关系上下文相似度和超图中的近邻性,并实验验证了它在不同类型数据集上聚类质量的影响,结果表明使用该相似度可以产生更好的聚类效果,优于现有的相似度测量方法。
- CVPR学习超图正则化属性预测器
该研究提出了一种基于超图的属性学习框架 ——Hypergraph-based Attribute Predictor(HAP)。通过将超图用于描述数据中的属性关系,其将属性预测问题转化为带有正则化的超图切割问题,可以应用于属性预测、零样本和 - 任务状态下的脑网络适应性
利用网络科学的方法,探究大脑在不同的认知状态下的功能交互与重构,采用超图形式的分析方法证明大脑的适应性可以由驱动认知系统动态整合的共同过程来描述,这一分析方法也可以用于研究跨任务、跨年龄和跨群体的功能变化。
- 具有聚类特性的稀疏随机图
本文介绍了一种扩展了边远离独立性的稀疏随机图的一般模型,并且通过构造非齐性随机超图来替代每个超边,再通过与某个积分算子的范数相关来解释巨型连通性的临界点,并将该巨型连通量与某些(非 Poisson)多类型分支过程的生存概率关联起来,同时研究 - 一个新的多层 PCP 以及超图顶点覆盖问题的困难度
本文利用有偏 Long-Code 分析组合性质中的 s 个 t 交集自组合来证明当 k≥3 且 ε>0 时 E$k$-Vertex-Cover 问题是 NP 难的,且无法使用因子为 (k-1-ε) 近似,同时也说明该问题可以在因子 k 的误 - 量子信道鉴别的强对偶定理
本文通过引入一个新的覆盖引理,基于分布式的量子通道完成了辨识的强对偶证明,并将经典超图覆盖问题的量子泛化实用化。