Co-clustering Vertices and Hyperedges via Spectral Hypergraph Partitioning
Rice University(莱斯大学)
提出了一种新的边依赖顶点权重超图顶点和超边的共聚类方法。在该超图模型中,每个顶点对其每个关联超边的贡献通过边依赖权重来表示,赋予模型比经典超图更高的表达能力。在我们的方法中,我们利用随机游走与EDVW构建一个超图拉普拉斯算子,并使用其频谱特性嵌入顶点和超边在一个共同的空间。然后,我们聚类这些嵌入,以获得我们提出的共同聚类方法,在应用程序中需要同时聚类的数据实体和功能,特别相关。使用真实世界的数据的数值实验表明,我们所提出的方法相比,国家的最先进的替代品的有效性。
2021-02-19 cs.DS cs.LG cs.SI
Strong Consistency of Spectral Clustering for the Sparse Degree-Corrected Hypergraph Stochastic Block Model
本文在稀疏度校正超图随机块模型下证明了基本谱聚类无需预处理即可实现强一致性,并通过留一法首次给出度校正超图模型的逐元素特征向量误差界。
2023-09-19 cs.SI physics.soc-ph
Strongly Local Hypergraph Diffusions for Clustering and Semi-supervised Learning
基于超图的机器学习方法现在被广泛认为对于建模和使用数据对象之间的高阶和多向关系是重要的。局部超图聚类和半监督学习特别涉及在给定的一组标记顶点附近找到一组连接良好的节点。虽然图的局部聚类方法很多,但超图的局部聚类方法相对较少。此外,那些存在的往往缺乏灵活性,以模拟一般类的超图切割功能或不能扩展到大的问题。为了解决这些问题,本文提出了一种新的基于扩散的超图聚类算法,解决了一个二次超图切割为基础的目标类似于一个超图模拟的Andersen-Chung-Lang个性化PageRank聚类图。我们证明了,对于固定的最大超边大小的图,这种方法是强局部的,这意味着它的运行时间只取决于输出的大小,而不是超图的大小,是高度可扩展的。此外,我们的方法使我们能够计算各种各样的基数为基础的超图切割功能。我们还证明了通过求解新的目标函数发现的聚类满足Cheeger质量保证。我们证明,在大型现实世界的超图,我们的新方法发现更好的集群和运行速度比现有的方法。具体来说,它在几秒钟内运行的超图与几百万hyperedges相比,基于流的技术分钟。我们还表明,我们的框架是足够的一般性,也可以用来解决超图上的其他p-范数为基础的切割目标。我们的代码是可用的\url{github.com/MengLiuPurdue/LHQD}。
2021-03-18 cs.SI
Hypergraphs with Edge-Dependent Vertex Weights: Spectral Clustering based on the 1-Laplacian
Rice University(莱斯大学)
本研究提出带边依赖顶点权重的超图1-拉普拉斯框架,基于其第二小特征值特征向量进行谱聚类,理论和实验均验证其精度更优,且特例可高效计算以适配大规模数据集。
2023-04-30 cs.LG cs.SI
Hypergraph Clustering Based on PageRank
RIKEN AIP(日本理化学研究所革新智能综合研究中心);University of Tokyo(东京大学);National Institute of Informatics(国立信息学研究所)
超图是一种有用的组合对象,用于建模实体之间的三元或高阶关系。超图聚类是网络分析中的一项基本任务。在这项研究中,我们开发了两个基于个性化PageRank的超图聚类算法。第一个是局部的,因为它的目标是找到一个紧连通的顶点集,该顶点集具有包含指定顶点的有界体积。第二个是全局的,因为它的目标是找到一个紧密连接的顶点集。对于这两种算法,我们讨论的理论保证的输出顶点集的电导。此外,我们的实验表明,我们的聚类算法优于现有的方法在解决方案的质量和运行时间。据我们所知,我们是第一个实用的算法超图的理论保证的电导的输出集。
2020-06-15 cs.DS cs.LG cs.SI
Local Clustering in Hypergraphs through Higher-Order Motifs
针对图聚类无法捕捉高阶交互导致聚类质量低的问题,提出基于高阶模体的超图局部聚类框架,通过核心分解与广度优先两种策略优化模体电导,有效提升了真实数据集上的聚类质量与计算效率。
2025-07-09 cs.SI
Comparison of modularity-based approaches for nodes clustering in hypergraphs
本文在统一框架下比较多种超图模块度准则及对应最大化算法,并通过受控模拟从恢复精度、运行时间、目标优化和聚类数等方面评估其优劣。
2024-03-04 cs.SI math.CO physics.data-an
Generative hypergraph clustering: from blockmodels to modularity
超图是一种自然的建模范例,用于各种复杂的关系系统。标准的分析任务是识别紧密相关或密集互连的节点的集群。许多图形算法的这项任务是基于随机块模型的变体,一个随机图具有灵活的集群结构。然而,目前很少有超图聚类的模型和算法。在这里,我们提出了一个泊松度校正超图随机块模型(DCHSBM),生成模型的聚类超图异构的节点度和边的大小。近似的最大似然推理DCHSBM自然会导致一个聚类目标,概括了流行的模块化目标图。我们推导出一个通用的Louvain型算法为这个目标,以及一个更快的,专门的“全有或全无”(AON)的变种,其中边缘预计完全位于集群内。这种特殊的情况下,包括最近提出的超图的模块化,同时还纳入灵活的分辨率和边大小参数。我们表明,AON超图鲁汶是高度可扩展的,包括作为一个例子,实验上的合成超图的100万个节点。我们还证明,通过合成实验,超图社区发现的可检测性制度不同于基于二进图投影的方法。我们使用我们的生成模型来分析学校联系网络,美国国会法案共同赞助,美国国会委员会,共同购买行为中的产品类别以及来自网络浏览会话的酒店位置中的高阶结构的不同模式,找到可解释的高阶结构。然后,我们研究了我们的AON超图Louvain算法的行为,发现它能够在表现出相应的高阶结构的经验数据集中恢复地面真实聚类。
2021-08-18 cs.DM cs.SI physics.data-an
Detecting Patterns of Interaction in Temporal Hypergraphs via Edge Clustering
Toronto Metropolitan University(多伦多都会大学);Tutte Institute for Mathematics and Computing(塔特数学与计算研究所)
本文提出通过边聚类方法检测时间超图中交互模式,利用结构相似性函数发现顶点簇以辅助后续任务。
2025-06-03 cs.SI
Optimal LP Rounding and Linear-Time Approximation Algorithms for Clustering Edge-Colored Hypergraphs
本文研究边着色超图聚类的可近似性,基于线性规划提出紧的近似保证,并给出线性时间组合2-近似算法及与顶点覆盖等目标的联系。
2023-05-13 cs.DM cs.DS cs.SI
Parameterized Correlation Clustering in Hypergraphs and Bipartite Graphs
Cornell University(康奈尔大学);The University of Melbourne(墨尔本大学);Purdue University(普渡大学)
受社区发现和稠密子图发现应用的启发,我们考虑超图和二分图中的新聚类目标。这些目标通过一个或多个分辨率参数进行参数化,以便在复杂数据中实现多样化的知识发现。对于超图和二分目标,我们确定参数制度,相当于现有的目标和共享他们的(多项式时间)近似算法。我们首先表明,我们的参数化超图相关聚类目标是有关的高阶概念的规范化切割和超图的模块化。它还可以通过超边缘扩展技术进行近似算法。我们的参数化二分相关聚类目标概括了标准的未加权二分相关聚类,以及双聚类删除。对于某些参数的选择,它也与我们的超图目标有关。虽然在一般情况下,它是NP-难的,我们强调的参数制度的二分目标的问题减少到二分匹配的问题,从而可以解决在多项式时间。对于其他参数设置,我们提出了使用线性规划舍入技术的近似算法。这些结果使我们能够引入第一个常数因子近似的bicluster删除,删除最小数量的边缘划分成不相交的二分图团的任务。在几个实验结果中,我们强调了我们的框架的灵活性和在不同参数设置下可以获得的结果的多样性。这包括跨一系列参数对二分图进行聚类,检测电子邮件网络和食品网络中的主题丰富的集群,以及在产品评论超图中形成与已知产品类别高度相关的零售产品集群。
2020-06-19 cs.DM cs.DS cs.LG
Local Hypergraph Clustering using Capacity Releasing Diffusion
局部图聚类是一个重要的机器学习任务,其目标是在一组种子节点附近找到一个连接良好的簇。最近的研究结果表明,纳入高阶信息显着提高了图聚类技术的结果。在这一领域的现有研究大多集中在基于谱图理论的技术。然而,局部图聚类的另一种观点是在目标上使用最大流和最小割,这提供了明显不同的保证。例如,最近提出了一种称为容量释放扩散(CRD)的新方法,并显示出比谱方法更好地保持种子周围的局部结构。该方法也是第一个本地聚类技术,不受二次Cheeger不等式假设一个良好的集群附近的种子节点。在本文中,我们提出了一个本地超图聚类技术,称为超图CRD(HG-CRD)通过扩展CRD过程的基础上聚类高阶模式,编码为超图的超边。此外,我们从理论上表明,HG-CRD给出了一个称为基序电导的量的结果,而不是在以前的实验中使用的有偏见的版本。在人工数据集和真实世界图上的实验结果表明,HG-CRD提高了聚类质量。
2020-03-09 cs.SI
Hypergraphs as Weighted Directed Self-Looped Graphs: Spectral Properties, Clustering, Cheeger Inequality
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Meta
本文提出了一种基于随机游走的超图谱聚类算法HyperClus-G,解决了EDVW超图的谱理论、聚类和切比雪夫不等式问题。
2026-02-20 cs.DM cs.DS cs.LG
Randomizing hypergraphs preserving degree correlation and local clustering
本研究将二元网络的 dK-series 扩展至超图,提出保留度、度相关性、冗余系数和超边大小等性质的 hyper dK-series 参考模型,并应用于流行病传播与演化博弈动力学模拟。
2023-05-21 cs.SI physics.soc-ph
Multi-view Spectral Clustering on the Grassmannian Manifold With Hypergraph Representation
Department of Mathematics, College of Sciences, Shanghai University(数学系,科学学院,上海大学);Shanghai Institute of Applied Mathematics and Mechanics, Shanghai University(应用数学与力学研究所,上海大学);Qian Weichang College, Shanghai University(钱伟长学院,上海大学);BNRist, KLISS, School of Software, Tsinghua University(BNRist,KLISS,软件学院,清华大学);THUIBCS, Tsinghua University(THUIBCS,清华大学)
针对基于图的多视角谱聚类在成对关系简化或高维谱分解低效的问题,本文提出利用稀疏表示生成超图、带正交约束的优化函数,并转化为格拉斯曼流形无约束问题,通过交替迭代黎曼优化求解,在四个数据集上优于七种基线方法。
2025-03-08 cs.LG cs.SI
Local Clustering on Complex Graphs and Complex Hypergraphs
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Meta
本文通过扩展非近似的Andersen-Chung-Lang (ACL)聚类算法,提出了GeneralACL和HyperACL两种算法,分别适用于带权、有向、自环图以及边依赖顶点权重的超图,并证明了在温和条件下它们能识别出电导率二次最优的聚类。
2026-06-02 cs.DS cs.LG cs.SI
An Improved Combinatorial Algorithm for Edge-Colored Clustering in Hypergraphs
Texas A&M University(德克萨斯农工大学)
本文提出了一种改进的超图边着色聚类组合算法,实现了优于2的近似因子,用于解决NP难的边着色聚类问题。
2026-03-03 cs.DS cs.SI
Alignment and integration of complex networks by hypergraph-based spectral clustering
复杂网络具有丰富的多尺度结构,反映了它们所模拟的系统的动态和功能组织。通常需要同时分析多个网络,通过多种类型的相互作用或超越简单的成对相互作用来建模系统,但目前缺乏理论和计算方法来解决这些问题。在这里,我们介绍了一个框架,在这样的系统中使用超图表示的聚类和社区检测。我们的主要结果是一个推广的Perron-Frobenius定理,从中我们推导出有向和无向超图的谱聚类算法。我们通过应用程序来说明我们的方法,用于多个物种之间蛋白质-蛋白质相互作用网络的局部和全局对齐、民俗分类中的三方社区检测以及检测定向网络中重叠调节途径的集群。
2012-11-05 cs.SI physics.soc-ph q-bio.MN
Minimizing Localized Ratio Cut Objectives in Hypergraphs
超图是对数据中的多路关系进行建模的有用抽象,超图聚类是检测此类数据中密切相关的节点组的任务。图聚类已经被广泛研究,并且有许多方法可以检测小的局部聚类,而无需探索整个输入图。然而,在超图中只有少数几种专门的局部聚类方法。在这里,我们提出了一个框架,局部超图聚类的基础上最小化局部比割目标。我们的框架在超图中的参考节点的输入集,并解决了超图最小$s$ - $t$切割问题的序列,以确定附近的良好连接的节点簇,基本上与输入集重叠。我们的方法扩展了基于图的技术,但更一般,并有新的输出质量保证。首先,我们的方法可以最小化新的广义概念的超图削减,这取决于特定配置的节点内的每个超边,而不仅仅是对切割超边的数量。第二,我们的框架有几个有吸引力的理论属性输出集群质量。最重要的是,我们的算法是强局部的,这意味着它的运行时间只取决于输入集的大小,并且不需要探索整个超图来找到好的局部聚类。我们使用我们的方法来有效地识别集群在超图的真实世界的数据与数百万个节点,数百万的hyperedges,和大的平均hyperedge大小与运行时间范围在几秒钟和几分钟之间。
2020-07-01 cs.DM cs.DS cs.LG
HyperEF 2.0: Spectral Hypergraph Coarsening via Krylov Subspace Expansion and Resistance-based Local Clustering
Stevens Institute of Technology(史蒂文斯理工学院)
HyperEF 2.0利用扩展Krylov子空间提高超边有效电阻近似精度,并结合基于电阻的局部聚类与多级划分,在VLSI基准上以更快速度实现更小割和更优电导。
2025-11-10 cs.SI
Motif and Hypergraph Correlation Clustering
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Auburn University(奥本大学)
出于社会和生物网络分析中的应用,我们引入了一种新形式的不可知聚类称为~ \emph{motif correlation clustering},其目的是最大限度地减少与边缘和高阶网络结构相关的聚类错误的成本。这个问题可以简洁地描述如下:给定一个完整的图$G$,划分图的顶点,使得某些预定的“重要”子图大多位于同一簇内,而“不太相关”的子图被允许跨簇。我们的贡献如下:我们首先介绍了几种变体的主题相关聚类,然后表明这些聚类问题是NP-难的。然后,我们继续描述多项式时间聚类算法,提供恒定的近似保证手头的问题。尽管遵循经常使用的LP松弛和舍入程序,该算法涉及一个复杂的和精心设计的邻域生长步骤,结合边缘和基序结构的信息。最后,我们用几个例子说明了合成和真实网络上开发的算法的性能。
2018-11-05 cs.DM cs.DS cs.LG
HyDRA: Lossless Hypergraph Summarization via Co-Clustering
Intesa Sanpaolo Innovation Center(Intesa Sanpaolo 创新中心);Sapienza University of Rome(罗马智慧大学);Intesa Sanpaolo AI Research(Intesa Sanpaolo 人工智能研究)
提出HyDRA,首个无损加权超图摘要框架,通过共聚类思想设计贪心算法,结合增量更新策略,实现80-93%的存储压缩,并支持直接查询和加速下游任务。
2026-06-18 cs.SI
A classification of overlapping clustering schemes for hypergraphs
本文沿函子分类路线研究超图重叠聚类,将可表示性扩展到重叠情形,证明可表示性与切除性、函子性等价,并给出有界扩张图上的多项式时间可计算性结果。
2025-05-15 cs.SI math.CO math.CT
Generative Hypergraph Models and Spectral Embedding
许多复杂的系统涉及两个以上的代理之间的相互作用。超图通过可以链接两个以上节点的超边来捕获这些高阶交互。我们考虑的问题,嵌入超图到低维欧氏空间,使大多数的相互作用是短程的。这种嵌入与许多后续任务相关,例如节点重新排序,集群和可视化。我们专注于两个谱嵌入算法定制超图恢复线性和周期性结构分别。在周期性的情况下,节点位于单位圆上。我们表明,这两个谱超图嵌入算法与一类新的生成超图模型。这些模型根据节点在嵌入空间中的位置生成超边,并鼓励短距离连接。它们允许我们通过最大似然来量化数据中周期性和线性结构的相对存在。它们还提高了节点嵌入的可解释性,并为超边缘预测提供了度量。我们展示了超图嵌入和后续任务-包括结构量化,聚类和超边缘预测-在合成和现实世界的超图。我们发现,超图的方法可以优于聚类算法,只使用二元边缘。我们还比较了几个三元边缘预测方法在高中接触数据,我们的算法改进了基准方法时,训练数据的量是有限的。
2023-01-05 cs.NA cs.SI math.NA
A Versatile Framework for Attributed Network Clustering via K-Nearest Neighbor Augmentation
Tencent(腾讯)
针对多类型属性网络聚类中捕捉多跳连接的难题,提出基于K近邻增强的通用框架ANCKA,支持多种属性网络聚类任务,经大量实验验证其聚类质量与效率均优于现有方法。
2024-10-05 cs.LG cs.SI
A spatial hypergraph model to smoothly interpolate between pairwise graphs and hypergraphs to study higher-order structures
提出一种带空间聚类分辨率参数的空间超图模型,可在成对图与大超边图之间平滑插值,并在固定空间结构下研究聚类、扩散和流行病传播随高阶结构的变化。
2025-04-09 cs.SI physics.soc-ph
Cut-matching Games for Generalized Hypergraph Ratio Cuts
超图聚类是一种基本的算法原语,用于分析复杂的数据集和系统,这些数据集和系统的特征是多路交互,例如组电子邮件对话,共同购买的零售产品组和合著数据。本文提出了一个实用的$O(\log n)$-近似算法的超图比割聚类目标的一个广泛的类。这包括涉及广义超图切割函数的目标,其允许用户根据每个集群中的节点数量来不同地惩罚切割超边。我们的方法是一个推广的切割匹配框架图比率削减,并只依赖于解决最大的s-t流问题,在一个特殊的减少图。它比现有的超图比率切割算法快得多,同时也解决了一个更一般的问题。在各种类型的超图的数值实验中,我们表明,它可以快速找到一个小的最优因子内的比例切割解决方案。
2023-01-28 cs.DM cs.DS cs.SI
Clustering Coefficient Reflecting Pairwise Relationships within Hyperedges
本文提出一种新的超图聚类系数,通过将超图转换为加权图来捕捉超边内部的成对关系,解决了现有方法将超边视为独立单元而遗漏节点间聚类模式的问题,并在理论和真实数据集上验证了其有效性。
2025-07-04 cs.DM cs.SI
HyperQuery: Beyond Binary Link Prediction
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
该研究针对超图与知识超图的链接预测问题,提出含节点级聚类特征提取的自监督优化架构,在多个基准上性能优于现有最优方法。
2025-01-13 cs.LG cs.SI
Configuration Models of Random Hypergraphs
许多经验网络本质上是多元的,相互作用发生在任意大小的代理群体中。然而,很少有灵活的零模型,可以支持统计推断这样的多元网络。定义了一类节点度和边维数序列均为常数的零随机超图,推广了经典的并元结构模型。我们提供了一个马尔可夫链蒙特卡罗计划从这些模型中采样,并讨论我们提出的模型和以前的方法之间的连接和区别。然后,我们通过三个应用程序来说明这些模型。我们从两个经典的网络主题开始-三元聚类和度可拓性。在每一个,我们强调的重要性,随机化的超图空间,而不是投影图空间,表明这种选择可以显着改变统计推断和研究结果。然后,我们定义和研究超图的边相交轮廓作为边之间的高阶相关性的度量,并推导出在带标号的零下的渐近近似。我们的实验强调了显式的,基于几何的polyadic建模的能力,以显着增强网络数据科学的工具箱。最后,我们对今后工作的多种途径提出了建议。
2019-12-13 cs.SI math.PR physics.data-an
Faster Local Motif Clustering via Maximum Flows
局部聚类旨在识别给定图内的集群,该集群包括指定的种子节点或一组种子节点的重要部分。这一集群应该有很好的特点,即,它具有大量的内边缘和少量的外边缘。在这项工作中,我们提出了社会,一种新的算法,局部图案聚类优化图案电导的基础上的局部超图模型表示的问题和适应版本的最大流一致性切割改进算法(MQI)。在我们对三角形基序的实验中,SOCIAL产生的局部簇的平均基序电导低于最先进的水平,同时速度快了几个数量级。
2023-01-17 cs.SI
Classification of Edge-dependent Labels of Nodes in Hypergraphs
KAIST(韩国科学技术院);Carnegie Mellon University(卡内基梅隆大学)
本文提出超图节点的边依赖标签分类新问题,并设计 WHATsNet 利用超边内相对中心性位置编码区分节点角色,在六个数据集上优于十种方法并成功用于三类任务。
2023-06-05 cs.AI cs.SI
Scalable Edge Clustering of Dynamic Graphs via Weighted Line Graphs
提出一种基于加权线图的并行层次化边聚类算法,无需显式构建线图即可将十亿级动态图高效分解为拓扑和时间相关的边集,支持可视化与机器学习任务。
2023-11-17 cs.DC cs.DS cs.SI