Spectral clustering of time-evolving networks using spatio-temporal random walks
Zuse Institute Berlin(柏林祖斯研究所);Heriot–Watt University(赫瑞-瓦特大学)
提出基于多视角典型相关分析(mCCA)的框架,通过增广时空网络上的时间可逆随机游走谱特征实现时间网络社区检测,并分析谱性质与时空效应,导出降阶模型提升计算效率。
2026-11-05 cs.SI math.DS
Evolving Models for Meso-Scale Structures
现实世界的复杂网络是无标度的,具有核心-外围和社区结构等中尺度特性。我们研究的核心随着时间的推移,在现实世界的网络。本文提出了具有局部和全局核心-外围以及社团结构的未加权和加权无标度网络的演化模型。网络通过拓扑增长、自增长和权值分布函数进行演化。为了验证所提出的模型的正确性,我们使用K壳和S壳分解方法。仿真结果表明,生成的未加权网络服从幂律度分布,具有下垂头和厚尾。类似地,生成的加权网络遵循度、强度和边权重幂律分布。我们进一步研究了复杂网络的其他性质,如聚类系数、最近邻度和强度度相关性。
2015-11-29 cs.SI physics.soc-ph
Homophilic networks evolving by mimesis
我们提供了一个基于相似性(同质性)和通过相互模仿(模仿)进化的网络的数学模型。我们表明,这样的社交网络将收敛到一个状态的隔离,在组内的相互作用将是最大的,将不会有组外的信息流。我们建立了我们的模型和Wolfram模型之间的联系,为基础物理。
2020-08-08 cs.SI physics.soc-ph
A Survey of Evolving Models for Weighted Complex Networks based on their Dynamics and Evolution
几十年来,复杂网络,如社交网络、生物网络、化学网络、技术网络等,被用来研究不同类型复杂系统的演化和动力学。这些复杂的系统可以更好地描述使用加权链接作为二进制连接不描绘系统的完整信息。所有这些加权网络都在不同的环境中通过遵循不同的底层机制而发展。研究人员一直致力于解开加权网络的演变现象,以了解它们的结构和动态。在本章中,我们将讨论加权网络的演化和演化模型,以生成不同类型的合成加权网络,包括无向、有向、有符号、多层、社区和核心-外围结构的加权网络。我们进一步讨论了生成的合成网络所具有的各种属性及其与现实世界加权网络的相似性。
2020-12-15 cs.SI physics.soc-ph
Non-Parametric Detection of Network Communities; The Natural Way; A Cascaded Stackelberg Game
现实世界的网络具有内在的动态结构,通常由成员不断变化的社区组成。识别这些社区在分析网络的结构特性时非常重要。因此,近年来已经见证了密集的研究,以解决检测这种不断变化的社区的挑战性问题。朝向社区发现的主流方法涉及在网络上优化全局分区质量度量(例如,模块化)。另一种技术,谱聚类,涉及在低维空间中映射原始数据点,其中图的聚类属性更加明显,然后应用标准聚类技术来识别社区。然而,传统的谱聚类技术不能自然地学习网络中社区的数量。这些技术是基于外部社区连接属性,往往无法识别密集网络中较小的社区结构。在这篇文章中,我们提出了一个算法,即级联Stackelberg社区发现算法(CASCODE)的启发Stackelberg双寡头博弈。该算法使用节点之间的领导者-追随者关系的概念来影响任何一个节点的行为。该算法的直观性是基于网络中进化社区的自然预期内部结构。因此,该算法能够自然地学习网络中的社区数量,而其他技术,如谱聚类,需要社区的预期数量作为输入。由于这种基于Stackelberg模型的社区发现算法是通过社区的内部结构来检测社区的,因此我们能够在密集网络中获得更精细的社区结构解析。
2018-01-18 cs.SI physics.soc-ph
Size Agnostic Change Point Detection Framework for Evolving Networks
观察到的社会和复杂网络结构的变化可以表明组织中的重大潜在变化,或者反映网络对外部事件的反应。自动检测演化网络中的变点是研究和理解此类事件对网络影响的基础。在这里,我们提出了一个易于实现和快速的框架,在时间演化网络的变化点检测。与以前的方法不同,我们的方法是大小不可知的,既不需要关于网络的大小和结构的先验知识,也不需要随着时间的推移获得历史信息或节点身份。我们使用的合成数据来自动态模型和两个真实的数据集:安然电子邮件交换和Ask-Ubuntu论坛。我们的框架在精确度和召回率方面都取得了成功,并且优于以前的解决方案
2018-09-25 cs.SI physics.soc-ph
Birth-Burst in Evolving Networks
复杂网络的演化受生长规则和内部性质的共同支配。大多数进化网络模型(如优先连接)强调增长策略,而忽略了单个节点的特性。在这项研究中,我们分析了一个被广泛研究的网络:进化的蛋白质-蛋白质相互作用(PPI)网络。我们发现了单个节点的关键贡献,特别是在它们出生时。具体来说,一个节点生来就有一个适应度值--一个衡量其内在重要性的指标。当网络中引入一个适应度较大的节点时,相应地确定了一个较高的出生度,从而导致网络的连通性急剧增加。这些大(枢纽)节点的度分数不会随着网络的演化而衰减,同时在整个生命周期内保持恒定的影响。在这里,我们开发了出生爆发模型,适应度模型的适应,模拟度爆发和相变的网络进化。
2020-05-06 cs.SI physics.soc-ph
Localized attack on clustering networks
聚类网络是复杂网络的一种,其结构和级联过程吸引了众多学者的讨论和研究。主要分析了在局部化攻击下,单簇网络的簇系数对其他各种性能的影响。这些网络模型包括双聚类网络、星状聚类NON和随机规则(RR)聚类ER网络NON,它们至少由两个网络组成,网络之间存在相互依赖关系,网络之间的依赖程度用耦合强度来度量。通过解析和数值计算的方法,研究了网络间耦合强度和聚集系数对渗流阈值、巨组分尺寸、临界耦合点等的影响,其中临界耦合点处的相变行为随着网络间耦合强度的增加而从二级转变为一级.最后,我们研究了两种类型的聚类网络:一种是与双聚类网络相同的网络,其中每个子网络满足相同的度分布,另一种是它们的子网络满足不同的度分布。前一种类型的处理解析和数值,而后者只处理数值。在每一节中,我们比较了根据Shao等人[22]从局部化攻击和随机攻击获得的两个结果。
2016-10-15 cs.SI physics.soc-ph
An evolving network model with modular growth
本文在分析实际复杂网络演化特征的基础上,提出了一种以模块为单位快速增长的演化网络模型。每个模块都是一个小世界网络,包含若干个相互连接的节点,模块之间的节点通过节点的度上的优先连接来连接。我们研究了模型的模块性测度,通过改变模块内边数和模块间边数的比值来调整模块性测度。基于平均场论,给出了度分布的解析函数,并通过数值算例进行了验证,结果表明,度分布在不同的段上具有明显的小世界网络和无标度网络的特征.对网络的聚类系数和平均路径长度进行了数值模拟,结果表明网络具有小世界特性,受新模块随机性的影响较小.
2011-10-10 cs.SI physics.soc-ph
Measuring the Clustering Strength of a Network via the Normalized Clustering Coefficient
在本文中,我们提出了一种新的统计网络,归一化聚类系数,这是一个修改版本的聚类系数,是强大的网络规模,网络密度和程度的异质性在不同的网络生成模型。特别地,在度校正块模型(DCBM)下,可以从归一化的聚类系数推断出“进出比”。在三种流行的网络生成模型下研究了该指标的渐近性质。归一化聚类系数还可用于网络聚类、网络抽样和动态网络分析。仿真和实际数据分析进行了演示这些应用程序。
2019-08-01 cs.SI physics.soc-ph stat.AP
Motif Clustering and Overlapping Clustering for Social Network Analysis
出于在社会网络社区分析中的应用,我们引入了一个新的聚类范式称为模体聚类。与经典聚类不同,模体聚类的目标是最小化与边缘和某些高阶图结构(模体)(代表社会组织的“原子单位”)相关的聚类错误的数量。我们的贡献是两方面的:我们首先介绍主题相关聚类,其目标是不可知地划分加权完整图的顶点,使某些预定的“重要”的社会子图大多位于同一个集群内,而“不太相关”的社会子图被允许跨集群。然后,我们继续引入模体覆盖的概念,其目标是通过图中最小数量的(近)团覆盖模体的顶点。Motif覆盖算法为重叠聚类提供了一种自然的解决方案,在网络的潜在特征推断中也发挥着重要作用。对于主题相关聚类及其通过覆盖问题引入的扩展,我们为两个研究充分的社交网络提供了硬度结果,算法解决方案和社区发现结果。
2017-01-28 cs.SI physics.soc-ph
Spatial networks evolving to reduce length
受Henry,Pralat和Zhang(PNAS 108.21(2011):8605-8610)结果的启发,我们提出了一个演化空间网络的一般方案,以减少它们的总边长。我们研究了这类网络中的两个网络的平衡点的性质,这两个网络插在三个很好的研究对象之间:Erdens-Rényi随机图,随机几何图和最小生成树。我们的两个进化中的第一个可以用作社交网络的模型,在社交网络中,个人对一些问题有固定的观点,并调整他们的关系,以与有相似观点的人联系起来。第二种演化保持了网络的连通性,在运输网络和其他分配系统的设计中具有潜在的应用。
2014-07-16 cs.SI physics.soc-ph
A model for generating tunable clustering coefficients independent of the number of nodes in scale free and random networks
概率网络显示出大范围的高平均聚类系数,与网络中的节点数量无关。特别是,局部聚类系数以任何当前模型都无法解释的复杂方式随着对向节点的程度而减小。虽然已经提出了一些假设来解释这些观察到的特性,但没有可解决的模型来解释所有这些特性。我们提出了一种新的增长模型的随机和无标度网络,能够预测两个可调的聚类系数独立的网络大小,和本地聚类系数和节点度之间的反比关系,在大多数网络中观察到。
2013-11-25 cs.SI physics.soc-ph
Predicting the evolution of complex networks via local information
几乎所有现实世界的网络都在不断演化,大量不断演化的网络已经被研究,以揭示其内在机制,从而更深入地理解它们的组织和发展。与演化机制探索的实证研究迅速展开相比,与演化机制相对应的未来链接预测方法却相对匮乏。现实世界的信息总是包含着下一步会发生什么的暗示,在观察到的进化网络中也是如此。在本文中,我们首先提出了一个结构依赖的索引,以加强链接预测方法的鲁棒性。然后,我们把观察到的链接和他们的时间戳在不断发展的网络作为已知的信息。我们将进化网络视为动态系统,并对节点相似性的进化动态进行建模。通过迭代更新节点的网络位置,揭示了网络演化的潜在趋势,提高了未来链路预测的准确性。实验结果表明,该索引在实际网络中的性能优于基线方法,时空位置漂移模型在实际网络中的性能也较好。
2016-04-08 cs.SI physics.soc-ph
Generating Scale-free Networks with Adjustable Clustering Coefficient Via Random Walks
提出了一种聚类系数可调的无标度网络生成算法。该算法是基于一个随机游走过程结合三角形生成计划,考虑到遗传因素,这样,优先连接和聚类控制只使用本地信息。模拟支持该计划的有效性,表征其调谐能力。
2011-05-17 cs.SI physics.soc-ph
Challenges on Probabilistic Modeling for Evolving Networks
University of Luxembourg(卢森堡大学)
随着无线传感器网络、车载网络、P2P网络、云计算、移动互联网、社交网络等新型网络的出现,网络的动态性和复杂性从系统设计、硬件、软件、协议、结构、集成、演进、应用,甚至到业务目标都在不断扩展。因此,动态性和不确定性是新兴复杂网络不可避免的特征,它们来自于网络的规律性演化和不可预见的硬件缺陷、不可避免的软件错误、管理信息的不完备性以及实体间的依赖关系。由于新兴网络的复杂性,在网络建模和优化(局部和全局)中并不总是能够建立精确的模型。本文提出了一个调查的概率建模的进化网络,并确定了新的挑战出现的概率模型和优化策略的潜在应用领域的网络性能,网络管理和网络安全的进化网络。
2013-05-04 cs.AI cs.SI physics.soc-ph
Evolving Influence Maximization in Evolving Networks
影响力最大化(IM)旨在通过找到发起产品广告的“最佳”“种子”用户集,最大限度地增加了解产品的人数。与现有技术的静态社交网络包含固定数量的用户,我们进行了第一次研究IM在更现实的不断发展的网络与时间增长的拓扑结构。然而,演进IM({ \bfseries EIM})的任务比静态情况更具挑战性,因为种子选择应该考虑其对未来用户的影响,并且用户彼此影响的概率也随着时间而演进。我们通过$\mathbb{EIM}$来解决这些挑战,$\mathbb{EIM}$是一种新提出的基于bandit的框架,它在种子节点选择和知识(即,节点的生长速度和进化影响)学习。值得注意的是,$\mathbb{EIM}$包括三个新的组件来处理进化带来的不确定性:
2019-11-13 cs.SI
Gravity Effects on Information Filtering and Network Evolving
本文基于经典物理学中的引力原理,提出了一种可调的引力模型,该模型考虑了标签使用模式对网络节点质量和距离的影响。然后将该模型应用于解决信息过滤和网络演化问题。在两个真实网络数据集\emph{Del.icio.us}和\emph{MovieLens}上的实验结果表明,该算法不仅能提高算法性能,而且能更好地表征真实网络的性质.这一工作对深入理解引力模型的作用有一定的指导意义。
2014-02-10 cs.IR cs.SI physics.soc-ph
Temporal Clustering in Dynamic Networks with Tensor Decomposition
动态网络越来越多地被用于模拟真实世界的数据集。在他们的分析具有挑战性的任务是检测和表征集群。它对于分析真实世界的数据非常有用,例如检测网络中不断发展的社区。我们提出了一个基于一组网络生成模型的时间聚类框架来解决这个问题。我们使用PARAFAC分解从数据集中学习网络模型,然后使用$K$ -means进行聚类,使用Silhouette准则确定聚类的数量,并使用相似性得分对聚类进行排序并保留重要的聚类。为了解决这些集群的时间依赖性方面,我们提出了一种分割算法来检测它们的形成,溶解和寿命。使用具有地面真实数据集和真实世界数据集的合成网络来测试我们的方法,结果表明我们的方法在聚类和生命周期检测方面比以前的方法具有更好的性能。
2017-02-27 cs.SI
On Clustering Coefficients in Complex Networks
本文指出全局聚类系数的两种常见计算方法(局部平均值法与三元组比率法)存在强烈不等价性,这种差异会显著影响复杂网络结构分析的准确性。
2024-01-04 cs.NI cs.SI physics.soc-ph
DynComm R Package -- Dynamic Community Detection for Evolving Networks
网络动态分析是社会网络分析的重要研究内容。为了支持学生,教师,开发人员和研究人员在这项工作中,我们介绍了一种新的R包,即DynComm。它被设计成一个多语言包,可用于动态网络上的社区发现和分析。该软件包引入接口,以促进进一步的发展,并增加了新的和未来开发的算法,以处理不断发展的网络中的社区发现。这个新包的目标是抽象算法的编程接口,无论它们是用R还是其他语言编写的,并将它们公开为R中的函数。
2019-05-04 cs.DS cs.SI physics.soc-ph
Clustering Drives Assortativity and Community Structure in Ensembles of Networks
聚类、重复性和社区是复杂网络的关键特征。我们探测这些属性之间的依赖关系,发现具有较强的聚类的合奏显示高的程度和突出的社区结构,而合奏具有高的聚类性是不太偏向于集群或社区结构。此外,集群网络可以放大小的同性恋倾向的性状重复性。这种明显的不对称性表明,传递性,而不是同质性,驱动标准的非社会/社会网络二分法。
2011-01-05 cond-mat.stat-mech cs.SI physics.soc-ph
Higher-order clustering in networks
复杂网络的一个基本属性是边缘聚集的趋势。聚类的程度通常由聚类系数量化,聚类系数是长度为2的路径闭合的概率,即,在网络中形成三角形。然而,三角形之外的高阶集团对于理解复杂网络至关重要,并且关于这种高阶网络结构的聚类行为还没有得到很好的理解。在这里,我们引入了高阶聚类系数来衡量高阶网络集团的闭合概率,并提供了复杂网络边缘如何聚类的更全面的视图。我们的高阶聚类系数是传统聚类系数的自然推广。我们推导了高阶聚类系数的几个性质,并在常见的随机图模型下进行了分析。最后,我们使用高阶聚类系数从几个领域获得对现实世界网络结构的新见解。
2018-01-05 cond-mat.stat-mech cs.SI physics.soc-ph
Core-Periphery Segregation in Evolving Prisoner's Dilemma Networks
密集的合作网络是繁荣社会的社会资本的基本要素。这些网络使个人能够通过增强信任来克服集体行动的困境。在许多生物和社会环境中,网络结构随着代理人退出关系并建立新关系而内源性地进化。然而,演化动力学导致密集合作网络自组织的过程还没有被探索。我们的大群体囚徒困境实验与退出和合作伙伴的选择选项表明,合作者和叛逃者的核心-外围隔离驱动的合作出现。合作者的"以达换得"和背叛者的"漂泊"策略导致了一个高度不对称的核心与边缘结构。合作者彼此紧密联系,成功地孤立了背叛者,并获得了比背叛者更大的回报。我们的拓扑特征的不断发展的网络的分析阐明了社会资本是如何产生的。
2012-12-09 cs.SI physics.soc-ph q-bio.PE
Local rewiring algorithms to increase clustering and grow a small world
许多真实世界的网络在顶点之间具有高度的聚类:共享邻居的顶点通常也直接相互连接。一个网络的聚类可以是其连通性和社区结构的有用指标。已经开发了用于生成具有高聚类的网络的算法,但通常依赖于添加或删除边缘和节点,有时是从完全空的网络中添加或删除。在这里,我们介绍了一种算法,该算法通过从现有网络开始并重新排列边来创建高度聚类的网络,而不添加或删除它们;这些算法可以保持其他网络属性,即使聚类增加。它们依赖于局部重新布线规则,其中单个边以保证增加聚类的方式改变其顶点之一。这个贪婪的步骤可以迭代地应用于将随机网络转换为具有更高聚类的形式。此外,提出的算法增长网络的聚类速度比增加其路径长度的速度更快,这意味着网络进入了一个相对高聚类和低路径长度的状态:一个小世界。这些算法可能是现实世界网络如何有机地重新排列以实现或保持高聚类和小世界结构的基础。
2018-04-11 cs.DM cs.SI math.CO
A Clustering Coefficient Network Formation Game
最新版本请访问http://www.cis.upenn.edu/~brautbar/ccgame.pdf
2011-07-02 cs.DS cs.GT cs.SI
A Triclustering Approach for Time Evolving Graphs
Orange Labs(橙色实验室);Université Paris 1(巴黎第一大学)
本文介绍了一种新的技术来跟踪结构的时间演化图。该方法是基于一个参数自由的方法,用于三维的源顶点,目标顶点和时间的共同聚类。所有这些特征同时被分割,以建立时间段和顶点的集群,其边缘分布是相似的,并在时间段上以相同的方式演变。这种方法的主要新颖之处在于,直接从顶点之间的边缘分布的演变推断出时间段,从而不需要用户进行先验离散化。在合成数据集上进行的实验说明了该技术的良好性能,对现实生活中的数据集的研究显示了所提出的探索性数据分析方法的潜力。
2013-01-12 cs.LG cs.SI stat.ML
Mining Persistent Activity in Continually Evolving Networks
University of Michigan(密歇根大学)
频繁模式挖掘是一个关键的研究领域,它可以深入了解不断发展的网络(如社交网络或道路网络)的结构和动态。然而,不仅网络会进化,而且它进化的方式本身也会进化。因此,除了知道模式的频率之外,还知道它们发生的时间和频率-即,它们的持久性可以增加我们对进化网络的理解。在这项工作中,我们提出了在不断发展的网络中持续存在的挖掘活动的问题-即,重复和持续发生的活动。我们扩展了时间图案的概念,以捕获特定节点之间的活动,我们称之为活动片段,这是重复发生的边缘更新的小序列。我们提出了公理和性质,持久性的措施应该满足,并开发这样的持久性措施。我们还提出了PENminer,一个有效的框架,挖掘活动片段的持久性在不断发展的网络,并设计了离线和流式算法。我们将PENminer应用于许多真实的、大规模的不断发展的网络和边缘流,并发现了在很长一段时间内令人惊讶的规律性活动,但仅通过聚合计数就无法发现这些活动,以及由于缺乏持久性而暴露出来的活动爆发。我们与PENminer的研究结果包括纽约市的出租车交通在飓风桑迪期间持续存在的社区,新自行车站的开放,社交网络用户的特征等等。此外,我们使用PENminer来识别多个网络中的异常,在AUC中识别细微异常的性能优于基线9.8-48%。
2020-06-27 cs.AI cs.SI
Efficient Truss Maintenance in Evolving Networks
Truss被提出来研究由图表示的社会网络数据。图的k-桁架是一个凝聚子图,其中每个边至少包含在k-2个三角形中。虽然桁架已被证明优于模型的密切关系,在社交网络和有效的算法,发现桁架已被广泛研究,很少注意桁架的维护。然而,大多数社交网络都是不断发展的网络。为了在不断发展的网络中找到最新的$k$ -桁架,有时从头开始重新计算桁架可能是不可行的。在本文中,我们讨论了如何维护桁架在图中的动态更新。首先讨论了桁架的维护性质,然后给出了在边删除和边插入时桁架的维护算法,最后讨论了桁架索引的维护。我们在真实数据集上测试了所提出的技术。实验结果表明我们的工作是有希望的。
2014-02-12 cs.DB cs.SI
Relative Clustering Coefficient
本文将全局聚类系数的定义相对扩展到另一种聚类,称之为相对聚类系数。这个定义的思想是忽略网络中有边的概率为0的边。在这里,我们还考虑了一个模型作为例子,使用相对聚类系数比全局聚类系数更好地比较网络,也检查网络的属性。
2021-06-09 cs.CG cs.SI
Network Clustering Via Kernel-ARMA Modeling and the Grassmannian The Brain-Network Case
University at Buffalo, The State University of New York (SUNY)(纽约州立大学布法罗分校);Drexel University(德雷塞尔大学);Perelman School of Medicine, University of Pennsylvania(宾夕法尼亚大学佩雷尔曼医学院)
本文介绍了一个聚类框架的节点与时间序列数据注释的网络。该框架解决了所有类型的网络聚类问题:状态聚类,状态内的节点聚类(也称为状态聚类)。拓扑识别或社区发现),甚至子网络状态序列识别/跟踪。通过自下而上的方法,首先从原始节点时间序列数据中提取特征,通过内核自回归移动平均建模来揭示非线性依赖关系和低秩表示,然后映射到格拉斯曼流形(格拉斯曼)。所有的聚类任务都是通过以一种新颖的方式利用格拉斯曼的基本黎曼几何来执行的。为了验证所提出的框架,脑网络聚类被认为是,在合成和真正的功能磁共振成像(fMRI)数据的广泛的数值测试表明,倡导的学习框架相比有利的几个国家的最先进的聚类方案。
2020-02-18 cs.LG cs.SI stat.ML
KCoreMotif: An Efficient Graph Clustering Algorithm for Large Networks by Exploiting k-core Decomposition and Motifs
China University of Geosciences (Beijing)(中国地质大学(北京));University of Naples Federico II(那不勒斯费德里科二世大学)
聚类分析在无线传感器网络、在线社交网络等复杂网络的信任评估中得到了广泛的应用。谱聚类是图结构数据(网络)最常用的算法之一。然而,传统的谱聚类本质上是难以与大规模的网络,由于它需要计算昂贵的矩阵操作的事实。为了处理大型网络,在本文中,我们提出了一个有效的图聚类算法,KCoreMotif,专门针对大型网络,利用k-核心分解和图案。所提出的聚类算法背后的基本思想是在k-核心子图上执行高效的基于模体的谱聚类算法,而不是在整个图上。更具体地说,(1)我们首先对大输入网络进行k-核心分解;(2)然后对顶部k-核心子图进行基于模体的谱聚类;(3)将其余(k-1)-核心子图中的剩余顶点分组到先前找到的聚类中;最后获得大输入网络的期望聚类。为了评估所提出的图聚类算法KCoreMotif的性能,我们使用传统的和基于模体的谱聚类算法作为基线,并比较我们的算法与他们的18组真实世界的数据集。比较结果表明,该算法对大型网络具有较高的准确性和有效性,可进一步用于评估大型网络的簇内和簇间信任度。
2020-08-21 cs.LG cs.SI stat.ML
ANTM: An Aligned Neural Topic Model for Exploring Evolving Topics
Sorbonne University(索邦大学)
提出模块化动态主题模型算法族 ANTM,利用预训练 LLM 特征与重叠滑动窗口聚类对齐跨时期主题,在四个数据集上提升主题一致性、多样性、可扩展性与灵活性。
2023-06-04 cs.AI cs.IR cs.LG
Optimal Clustering of Multi-layer Networks under Mixture Block Models
Hong Kong University of Science and Technology(香港科技大学);The Hong Kong Polytechnic University(香港理工大学)
本文研究了多层网络及离散混合分布的最优聚类问题,提出了基于张量初始化和似然Lloyd算法的两阶段聚类方法,实现了由Renyi散度刻画的极小化最优聚类错误率。
2026-10-23 cs.LG cs.SI math.ST
Spectral clustering via adaptive layer aggregation for multi-layer networks
Columbia University(哥伦比亚大学);Michigan State University(密歇根州立大学);New York University(纽约大学)
网络分析中的一个基本问题是发现多层网络中的社团结构,其中每一层代表节点之间的一种边信息。我们提出了基于有效凸层聚合的综合谱聚类方法。我们的聚合方法的强烈动机是一个微妙的渐近分析的频谱嵌入加权邻接矩阵和下游$k$ -手段聚类,在一个具有挑战性的制度,社区检测一致性是不可能的。事实上,该方法被示出来估计最优凸聚集,该最优凸聚集在一些专门的多层网络模型下使误聚类误差最小化。我们的分析进一步表明,使用高斯混合模型的聚类一般优于常用的$k$ -均值谱聚类。大量的数值研究表明,我们的自适应聚合技术,再加上高斯混合模型聚类,使新的谱聚类显着的竞争力相比,几个常用的方法。
2022-10-06 cs.LG cs.SI math.ST