Improving local clustering based top-L link prediction methods via asymmetrical link clustering information
网络可以代表广泛的复杂系统，如社会，生物和技术系统。链接预测是网络分析中最重要的问题之一，近年来引起了广泛的研究兴趣。为了解决这一问题，人们提出了许多链接预测方法，并采用了各种技术。我们可以注意到，聚类信息在解决链接预测问题中起着重要的作用。在以往的文献中，我们发现节点聚集系数经常出现在许多链接预测方法中。然而，节点聚类系数不能区分节点对不同节点对的聚类能力，仅限于描述一个共同邻居在不同局部网络中的作用。在本文中，我们把我们的重点从节点到链路，并提出了非对称链路聚类（ALC）系数的概念。在此基础上，通过ALC的概念对三种基于节点聚类的链接预测方法进行了改进.实验结果表明，基于ALC的方法优于基于节点聚类的方法，特别是在食物网，仓鼠友谊和互联网网络取得了显着的改善。此外，与其他方法相比，基于ALC的方法在全球化和个性化的top-L链接预测任务中的性能非常稳定。
2017-11-22 cs.SI physics.soc-ph
Hierarchical Graph Clustering using Node Pair Sampling
Telecom ParisTech（巴黎高等电信学院）；Inria（法国国家信息与自动化研究所）
我们提出了一种新的层次图聚类算法的启发基于模块的聚类技术。该算法是凝聚和基于一个简单的聚类之间的距离引起的抽样节点对的概率。我们证明了这个距离是可减少的，这使得使用最近邻链，以加快凝聚。该算法的输出是一个规则的树状图，它揭示了图的多尺度结构。合成和真实的数据集上的结果进行了说明。
2018-06-22 cs.AI cs.SI
LSCALE: Latent Space Clustering-Based Active Learning for Node Classification
National University of Singapore（新加坡国立大学）
图上的节点分类是许多实际领域中的一个重要课题。它通常需要标签进行培训，这在实践中可能很难或昂贵。给定标记预算，主动学习旨在通过仔细选择标记哪些节点来提高性能。以前的图主动学习方法使用标记的节点学习表示，并选择一些未标记的节点进行标记获取。然而，它们没有充分利用未标记节点中存在的表示能力。我们认为，在未标记的节点的表示能力可以是有用的主动学习和进一步提高节点分类的主动学习的性能。在本文中，我们提出了一个潜在的空间聚类为基础的主动学习框架节点分类（LSCALE），我们充分利用标记和未标记的节点的表示能力。具体来说，为了选择用于标记的节点，我们的框架在基于无监督特征和监督特征的动态组合的潜在空间上使用K-Medoids聚类算法。此外，我们还设计了一个增量式分簇模块，以避免在不同步骤中选择的节点之间的冗余。在五个数据集上进行的大量实验表明，我们提出的框架LSCALE始终显著优于最先进的方法。
2022-07-20 cs.LG cs.SI
GEMSEC: Graph Embedding with Self Clustering
现代图嵌入程序可以有效地处理具有数百万个节点的图。在本文中，我们提出了GEMSEC -一个图形嵌入算法，学习聚类的节点，同时计算其嵌入。GEMSEC是基于序列的图嵌入领域早期工作的一般扩展。GEMSEC将节点放置在抽象特征空间中，其中顶点特征最小化保留采样顶点邻域的负对数似然，并且通过机器学习正则化结合已知的社交网络属性。我们提出了两个新的社会网络数据集，并表明，通过同时考虑嵌入和聚类问题的社会属性，GEMSEC提取高质量的集群竞争或优于其他社区发现算法。在实验中，该方法被发现是计算效率和强大的超参数的选择。
2019-07-25 cs.SI
Linear Clustering Process on Networks
我们提出了一个线性聚类过程中的两个相反的力量组成的网络：相邻节点之间的吸引力和排斥力。每个节点都映射到一维线上的一个位置。吸引力和排斥力移动线上的节点位置，这取决于两个相邻节点的邻域是相似还是不同。基于每个节点的位置，网络中的集群的数量，以及每个节点的集群成员，估计。所提出的线性聚类过程的性能基准合成网络对广泛接受的聚类算法，如模块化，鲁汶方法和非回溯矩阵。所提出的线性聚类过程优于最流行的基于模块的方法，如鲁汶方法，同时具有可比的计算复杂性。
2022-09-23 cs.SI math.DS
Revisiting Degree-Corrected Spectral Clustering: a Condition-Free Spectral Analysis and Extension
School of Computer & Information Science, Fujian Agriculture & Forestry University（福建农林大学计算机与信息科学学院）；School of Mathematics & Statistics, Fuzhou University（福州大学数学与统计学院）；Department of Strategic & Advanced Interdisciplinary Research, Pengcheng Laboratory (PCL)（鹏城实验室战略与先进交叉研究部）；Theory Lab, 2012 Labs, Huawei（华为2012实验室理论实验室）
研究从纯谱视角对度校正谱聚类进行无条件分析，给出错分节点数界限。受图神经网络启发，提出ASCENT对其进行扩展，采用节点级校正方案，实验证明ASCENT在过平滑时可简化为传统方法，过平滑前某些阶段可能提升聚类质量。
2026-07-24 cs.SI
Beyond the clustering coefficient: A topological analysis of node neighbourhoods in complex networks
在网络科学中，节点邻域，也称为自我中心网络，引起了人们的广泛关注。特别是聚类系数已被广泛用于衡量他们的地方凝聚力。在本文中，我们展示了如何，给定两个节点具有相同的聚类系数，其邻域的拓扑结构可以显着不同，这表明需要超越这个简单的表征。我们进行了大规模的统计分析的拓扑结构的节点邻域的真实网络，首先构建他们的团复合体，然后计算他们的贝蒂数。我们能够显示真实网络的节点邻居的拓扑与随机单纯复形的零模型的随机拓扑之间的显着差异，揭示节点邻居的局部组织原则。此外，我们观察到，一个大规模的节点邻域的拓扑特性的统计分析是能够清楚地区分幂律网络，平面道路网络。
2019-01-30 cs.SI physics.soc-ph
Impact of Clustering on the Performance of Network De-anonymization
最近，图匹配算法已被成功地应用到网络去匿名化的问题，其中节点（用户）参与到一个以上的社会网络被识别，只有通过他们的链接到其他成员的结构。这个过程利用了一组初始的种子节点，这些节点足够大，可以触发一个渗透过程，这个过程可以正确地匹配不同社交网络中几乎所有的其他节点。我们的主要贡献是展示聚类所发挥的关键作用，这是现实社会网络图（和许多其他系统）的一个无处不在的功能。聚类既有使匹配算法更容易出错的效果，也有可能大大减少触发渗透所需的种子数量，这要归功于波浪式传播效应。我们证明了这些事实，考虑一个相当普遍的类的随机几何图形与可变聚类水平，并显示如何聪明的算法可以实现令人惊讶的良好性能，同时包含匹配错误。
2015-08-09 cs.SI
Weighted Graph Nodes Clustering via Gumbel Softmax
Computer Science 5000 Technology Dr NW Huntsville Alabama Usa 35805
图是数据科学中普遍存在的数据结构，广泛应用于社交网络、知识表示图、推荐系统等。当给定由一个图或多个图组成的图数据集时，其中图通常被加权，第一步通常是在图中找到聚类。本文提出了一些正在进行的研究成果，图聚类算法聚类加权图数据集，我们命名为加权图节点聚类通过Gumbel Softmax（WGCGS简称）。我们将WGCGS应用于空手道俱乐部加权网络数据集。实验结果表明，WGCGS算法能够在Karate club加权网络数据集中高效地发现聚类。我们的算法的有效性是通过（1）比较从我们的算法得到的聚类结果和给定的标签的数据集;（2）比较我们的聚类算法和其他国家的最先进的图聚类算法之间的各种指标。
2021-02-22 cs.LG cs.SI
Ranking and clustering of nodes in networks with smart teleportation
随机隐形传态是基于随机游动的有向网络的排序和聚类的必要条件。隐形传态使遍历的解决方案，但解决方案必须依赖于精确的实施和参数化的隐形传态。例如，在常用的PageRank算法中，隐形传态速率必须在严重偏差的解与均匀解之间进行权衡。在这里，我们表明，隐形传态的链接，而不是节点，使一个更平滑的权衡和有效地更强大的结果。我们还表明，通过不记录随机行走的隐形传态步骤，我们可以进一步减少隐形传态的影响，对聚类产生巨大的影响。
2012-06-02 cs.SI physics.soc-ph
Seeing All From a Few: Nodes Selection Using Graph Pooling for Graph Clustering
Beijing Jiaotong University（北京交通大学）
最近，有相当大的研究兴趣，图聚类旨在使用图信息的数据划分。然而，大多数基于图的方法的一个局限性是它们假设要操作的图结构是固定和可靠的。而且图中不可避免地存在一些不利于图聚类的边，我们称之为伪边。本文是第一次尝试采用图池技术的节点聚类，我们提出了一种新的双图嵌入网络（DGEN），它被设计为一个两步图编码器连接的图池层学习图嵌入。在我们的模型中，假设如果一个节点和它最近的邻居节点接近同一个聚类中心，这个节点是一个信息节点，这个边缘可以被认为是一个集群友好的边缘。在此基础上，提出了邻居聚类池（NCPool）算法，根据节点及其近邻到聚类中心的距离，选择信息量最大的节点子集和相应的边。这可以有效地减轻虚假边缘对聚类的影响。最后，为了获得所有节点的聚类分配，使用所选节点的聚类结果训练分类器。在五个标准图数据集上的实验表明，该方法优于现有算法。
2021-06-08 cs.AI cs.CV cs.LG
Rethinking Semi-Supervised Node Classification with Self-Supervised Graph Clustering
The University of Hong Kong（香港大学）；Hong Kong Baptist University（香港 Baptist 大学）；Shenzhen University（深圳大学）
本文提出NCGC框架，结合自监督图聚类与半监督分类，通过改进的消息传递范式和多任务学习提升节点分类性能。
2025-11-25 cs.LG cs.SI
Diffusion in Colocation Contact Networks: the Impact of Nodal Spatiotemporal Dynamics
时间接触网络的研究是为了理解动态传播现象，如传染病或信息传播。为了确定节点的时空动态如何影响托管联系网络中的传播潜力，我们提出了“诱导洗牌”空模型，该模型打破了时间，位置和节点之间的一个或多个相关性。通过重新配置每个节点在网络中出现的时间和/或位置，这些模型诱导出替代的托管事件集合，从而产生具有不同传播潜力的接触网络。这使得关于节点时空偏好的相关性如何不仅导致给定的接触网络，而且最终影响网络的传播潜力的二阶因果推理成为可能。我们发现，节点和时间之间的相关性是传播的最大障碍，而时间和位置之间的相关性对传播有轻微的催化作用。在每一个零模型下，我们都测量了接触人数和感染率随时间的变化，令人惊讶的是，两者之间没有直接的因果关系。
2015-12-08 cs.SI physics.soc-ph
Robust Correlation Clustering with Asymmetric Noise
University of Waterloo（滑铁卢大学）
图聚类问题通常旨在划分图节点，使得当且仅当两个节点相似时，它们属于同一划分集。相关聚类是一种图形聚类公式，其：（1）将具有表示节点之间的相似性/不相似性度量的边权重的有符号图作为输入，以及（2）不需要对输入图中的聚类数量进行事先估计。然而，相关聚类的组合优化问题是NP难的。在这项工作中，我们提出了一种新的图形生成模型，称为节点因子模型（NFM），这是基于生成的特征向量/嵌入的图形节点。由NFM生成的图包含不对称噪声，在这个意义上，可能存在负相关的相同集群中的节点对。我们提出了一种新的相关聚类算法，称为\anormd，使用半定规划技术。使用的理论和计算结果相结合，我们表明，$\texttt{$ \ell_2 $-norm-diag}$恢复节点具有足够强的集群成员关系的图形实例所产生的NFM，从而建立我们所提出的算法的可证明的鲁棒性的进展。
2021-10-15 cs.LG cs.SI math.OC
Clustering of tag-induced sub-graphs in complex networks
我们研究了标记网络中聚类系数的行为。与所研究的系统中的节点相关联的各种各样的标签提供了关于由节点表示的实体的附加信息，这对于诸如在网络中搜索的实际应用可能是重要的。在这里，我们将研究当将网络缩小到由给定标签标记的子图时，聚类系数如何变化，以及它如何与子图的各种其他属性相关。另一个有趣的问题是如何解决的文件中的各个节点的聚类系数是由节点上的标签的影响。我们相信这种分析有助于获得对大型复杂系统结构的更完整的描述。
2012-05-30 cs.SI physics.soc-ph
Dissecting graph measure performance for node clustering in LFR parameter space
Moscow Institute of Physics and Technology（莫斯科物理技术学院）；Institute of Control Sciences of RAS（俄罗斯科学院控制科学研究所）
表示节点之间的接近度或距离的图度量可以用于使用度量聚类算法的图节点聚类。有许多措施适用于这项任务，哪一个执行得更好是一个悬而未决的问题。我们研究了25个图的性能措施上生成的图形具有不同的参数。虽然通常测量比较仅限于特定数据集上的一般测量排名，但我们的目标是根据图形特征探索各种测量的性能。使用LFR图生成器，我们创建了一个包含11780个图的数据集，覆盖了整个LFR参数空间。对于每个图，我们评估聚类的质量与k-means算法为每个考虑的措施。在此基础上，我们为参数空间的每个区域确定最佳度量。我们发现，参数空间由不同的区域，其中一个特定的措施是最好的。我们分析了所产生的区域的几何形状，并用简单的标准描述它。给定特定的图参数，这允许我们推荐用于聚类的特定度量。
2022-02-20 cs.LG 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
Interpretable Clustering on Dynamic Graphs with Recurrent Graph Neural Networks
Carnegie Mellon University（卡内基梅隆大学）
我们研究了动态图中节点的聚类问题，其中节点之间的连接和节点的聚类成员资格可能会随着时间的推移而变化，例如，由于社区移民。我们首先提出了一个动态的随机块模型，捕捉这些变化，和一个简单的基于衰减的聚类算法，集群节点之间的加权连接的基础上，其中的权重随着时间的推移以固定的速度下降。这个衰减率可以被解释为表示在聚类中包括历史连接信息的重要性。然而，对于具有不同周转率的簇，最佳衰减率可能不同。我们表征每个集群的最佳衰减率，并提出了一种聚类方法，实现几乎精确的恢复真正的集群。然后，我们证明了我们的聚类算法的有效性与优化的衰减率模拟图形数据。递归神经网络（RNN）是一种流行的序列学习算法，使用类似的基于衰减的方法，我们利用这一见解提出了两种新的RNN-GCN（图卷积网络）架构用于半监督图聚类。最后，我们证明了所提出的架构在实际数据上表现良好相比，国家的最先进的图聚类算法。
2021-06-22 cs.LG cs.SI
Contrastive clustering based on regular equivalence for influential node identification in complex networks
College of Computer and Cyber Security（计算机与网络安全学院）；Chengdu University of Technology（成都理工大学）；School of Artificial Intelligence（人工智能学院）；Jilin University（吉林大学）；School of Computer Science（计算机科学学院）；Fudan University（复旦大学）
针对复杂网络影响力节点识别中监督方法依赖标注、现有对比学习方法局限的问题，提出基于正则等价性的无监督对比聚类框架ReCC，通过结构相似度构建样本对、结合多损失训练，在多个基准上性能超越现有最优方法。
2025-08-30 cs.AI cs.SI
SSSNET: Semi-Supervised Signed Network Clustering
节点嵌入是网络分析中的一个强大工具，然而，它们在节点聚类这一重要任务中的全部潜力还没有得到充分利用。特别地，生成符号网络的节点嵌入的大多数现有技术方法集中于链接符号预测，并且那些与节点聚类有关的方法通常不是图神经网络（GNN）方法。在这里，我们介绍了一种新的概率平衡归一化割损训练节点的GNN框架中的半监督签名网络聚类，称为SSSNET。该方法是端到端的，将嵌入生成和聚类结合起来，没有中间步骤;它以节点聚类为主要焦点，重点是网络中出现的极化效应。我们的方法的主要新颖性是一个新的社会平衡理论的作用签署网络嵌入。证明嵌入标准合理性的标准启发式方法基于“敌人的敌人就是朋友”的假设。相反，在敌人的敌人是否是朋友的问题上，采取了中立的立场。在各种数据集上的实验结果，包括合成符号随机块模型，它的极化版本，以及不同尺度的真实数据，表明SSSNET可以实现可比或更好的结果比国家的最先进的谱聚类方法，为广泛的噪声和稀疏水平。SSSNET通过以节点级特征或标签的形式包括外部信息的可能性来补充现有方法。
2022-02-23 cs.AI cs.SI stat.ML
One Node One Model: Featuring the Missing-Half for Graph Clustering
University of Electronic Science and Technology of China（电子科技大学）；Michigan State University（密歇根州立大学）；Alibaba Group（阿里巴巴集团）
针对图聚类忽视节点特征且高维特征选择困难的问题，提出“一节点一模型”范式及 FPGC，通过 squeeze-and-excitation 块个性化筛选特征并以特征交叉学习低阶交互，提升聚类性能并可即插即用增强 GNN。
2024-12-18 cs.AI cs.DC cs.LG
Clustering attributed graphs: models, measures and methods
对图进行聚类，即，将其节点分配给组是一种重要的操作，其最著名的应用是发现社交网络中的社区。图聚类和社区发现传统上集中在没有属性的图上，边权重是一个明显的例外。然而，这些模型只提供了真实社会系统的部分表示，因此通常使用节点属性（表示参与者的特征）和边属性（表示它们之间的不同类型关系）来描述。我们将这些模型称为属性图。因此，现有的图聚类方法最近已经扩展到处理节点和边属性。本文是对这一主题的文献综述，以统一的方式组织和展示了最近的研究成果，描述了现有的主要聚类方法，并强调了它们的概念差异。我们还涵盖了聚类评估的重要主题，并确定当前的开放问题。
2015-01-07 cs.SI physics.soc-ph
Identifying edge clusters in networks via edge graphlet degree vectors (edge-GDVs) and edge-GDV-similarities
新生物学知识的推断，例如，在后基因组时代，从蛋白质相互作用（PPI）网络预测蛋白质功能受到关注。一种流行的策略是将网络聚类成功能一致的蛋白质组，并从聚类中预测蛋白质功能。传统上，网络研究集中在节点的聚类上。然而，当边缘的聚类可能是首选时，为什么更喜欢节点而不是边缘呢？例如，节点属于多个功能组，但是节点的聚类通常不能捕获组重叠，而边的聚类可以。最近提出了共享许多邻居的相邻边的聚类，优于不同的节点聚类方法。然而，由于一些生物过程可以在整个网络中具有特征“签名”，而不仅仅是局部的，因此考虑不一定相邻的边缘可能是有意义的。因此，我们设计了一个敏感的措施的“拓扑相似性”的边缘，可以处理不一定是相邻的边缘。我们聚类边缘相似，根据我们的措施在不同的面包酵母PPI网络，优于现有的节点和边缘聚类方法。
2012-04-10 cs.DM cs.SI q-bio.MN
Incorporating Higher-order Structural Information for Graph Clustering
Ocean University of China（中国海洋大学）
针对现有图深度聚类忽略高阶结构、自监督偏重节点属性的问题，提出结合图互信息最大与模块度约束三元自监督的图聚类网络，提升聚类性能。
2024-03-19 cs.LG cs.SI
Boundary Degree as a Node-level Feature for Epidemic Scenario Identification in Agent-based Cascade Simulations
Biocomplexity Institute（生物复杂性研究所）
提出边界度作为节点级级联特征，通过消融实验证明其单独提升场景识别准确率19%，并理论证明无边界或边信息时某些场景不可区分。
2026-07-07 cs.LG cs.SI
Exact Recovery and Bregman Hard Clustering of Node-Attributed Stochastic Block Model
EPFL（洛桑联邦理工学院）；Federal University of Rio de Janeiro（里约热内卢联邦大学）
针对节点属性网络的社区精确恢复问题，提出基于联合似然和 Bregman 散度的迭代硬聚类算法，并给出由 Chernoff-Hellinger 散度刻画的信息论相变条件。
2023-10-30 cs.LG cs.SI stat.ML
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
Spectral Clustering of Attributed Multi-relational Graphs
University of Vienna（维也纳大学）
针对复杂数据兼具属性与多关系特性的图聚类需求，提出联合降维技术SpectralMix，整合多类信息实现合理解释且具泛化性，实验验证其优于现有方法并能检测结构与属性依赖关系。
2023-11-03 cs.LG cs.SI
Return to basics: Clustering of scientific literature using structural information
学者们经常使用相关性度量来估计两个不同项目之间的相似性（例如，文件、作者和机构）。这种相关性测量通常基于重叠参考文献（$\textit{i.e.}$，书目耦合）或引文（$\textit{i.e.}$，共同引用），然后可以与聚类分析一起使用，以找到研究领域之间的边界。不幸的是，计算相关性度量是具有挑战性的，特别是对于大量的项目，因为计算复杂性大于线性。我们提出了一种替代方法，用于确定使用直接引用的相关性措施的启发研究前沿。我们的新方法简单地将一个节点复制成两个不同的节点：引用节点和引用节点。然后，我们将典型的聚类方法应用到修改后的网络。引用节点的集群应该模仿那些从书目耦合相关性网络，而集群的被引节点应该像那些从共引相关性网络。在验证测试中，我们提出的方法与传统的基于相关性的方法表现出很高的相似性。我们还发现，所提出的方法的聚类结果优于那些传统的基于相关性的措施与基于自然语言处理的分类相似。
2020-04-10 cs.DL cs.SI physics.soc-ph
Private Hierarchical Clustering in Federated Networks
分析社交网络的结构属性，例如识别其聚类或找到其最中心的节点，有许多应用。然而，这些应用不受允许用户在其终端设备上本地存储其社交链接的联合社交网络的支持。在联邦制度中，用户希望访问个性化服务，同时也保持他们的社交联系私密。在本文中，我们采取了一个步骤，使联邦网络上的分析与差分隐私保证保护网络中的用户链接或联系人。具体来说，我们提出的第一项工作，计算层次聚类树使用本地差分隐私。我们计算它们的算法是新颖的，并且对学习到的树的质量具有理论上的界限。私有分层聚类树使得服务提供商能够以各种粒度查询用户周围的社区结构，而用户不必与提供商共享其原始联系人。我们证明了这种查询的效用，重新设计的国家的最先进的社会推荐算法的联邦设置。我们的推荐算法明显优于不使用社交联系人的基线，并与使用联系人的非隐私算法相当。
2021-05-19 cs.CR cs.SI
Identifying robust communities and multi-community nodes by combining top-down and bottom-up approaches to clustering
生物功能是由相互作用的分子，细胞或组织，称为社区。当生物成分参与多种功能时，这些社区的成员可能会重叠。然而，传统的聚类方法检测非重叠社区。这些检测到的群落也可能不稳定，难以复制，因为传统方法对噪声和参数设置很敏感。传统聚类方法的这些方面限制了我们检测生物群落的能力，从而限制了我们理解生物功能的能力。为了解决这些局限性和检测强大的重叠生物群落，我们提出了一种非正统的聚类方法SpeakEasy，它同时使用自上而下和自自底向上的【形】的方法来识别社区。具体而言，节点根据其本地连接以及关于网络结构的全局信息加入社区。该方法可以量化每个社区的稳定性，自动识别社区的数量，并快速聚类具有数十万个节点的网络。SpeakEasy在合成聚类基准测试中表现出色，并在一系列数据集中准确识别有意义的生物群落，包括：基因微阵列，蛋白质相互作用，分选细胞群，电生理学和fMRI脑成像。
2015-02-26 cs.CE cs.SI physics.bio-ph
Cliques and a new measure of clustering: with application to U.S. domestic airlines
我们提出了一个高阶推广的众所周知的整体聚类系数三元组$C(3)$的任何数量的节点。我们给出了三个，四个和五个节点的特殊情况下的解析公式，并表明它们具有非常快的运行时性能的小图。我们讨论了一些新措施的理论属性和局限性，并使用它来提供洞察美国航空公司网络结构的动态变化。
2020-08-23 cs.SI physics.soc-ph
Spectral clustering of annotated graphs using a factor graph representation
图结构数据通常具有节点注释。一种流行的涉及注释图的推理和学习方法是将注释合并到统计模型或算法中。相比之下，我们考虑一个更直接的方法命名为苏格兰录音，在一个图中的结构信息和它的节点注释被编码为一个因子图。具体地说，我们建立了这种方法的数学基础的光谱框架。
2020-10-06 cs.SI physics.soc-ph
Hierarchical Clustering Given Confidence Intervals of Metric Distances
本文考虑度量空间中的一对节点之间的距离表示的距离区间。目标是研究确定层次聚类的方法，即，一个家庭的嵌套分区索引的决议参数，诱导从给定的距离间隔的度量空间。我们的层次聚类方法的构造是基于定义容许方法是那些遵守值公理的方法-度量空间中的两个节点在它们之间的距离界限的凸组合处聚类在一起-和变换-当两个距离界限都减少时，构造了两种容许方法，并证明了它们在容许方法空间中提供了普遍的上界和下界。通过快照聚类移动点，并通过聚类网络代表大脑结构的连接，使用网络距离的下限和上限的实际影响进行了探索。所提出的聚类方法成功地通过所有快照中的最大和最小距离来识别潜在的聚类结构，以及区分患者与健康对照者的大脑连接网络。
2016-10-13 cs.SI physics.soc-ph
Exploring Temporal Networks with Greedy Walks
时间网络具有各种各样的异质性，从事件序列的突发性到节点和链路激活时间之间的相关性。在本文中，我们将探索后者通过使用贪婪的步行作为探针的时间网络结构。给定一个时间网络（一个接触序列），贪婪遍历总是从第一个可用的接触点开始从一个节点到另一个节点。正因为如此，它们的结构对涉及节点集之间重复接触的时间拓扑模式特别敏感。与时间参考模型相比，这一点在它们每步的小覆盖范围中变得很明显-在经验时间网络中，由于相关的接触模式，贪婪的行走经常被困在小的节点集内。虽然这也可能发生在具有明显社区结构的静态网络中，但时间参考模型的使用将潜在的静态网络结构排除在等式之外，并表明观察结果存在纯粹的时间原因。对贪婪游动结构的进一步分析表明，节点对之间重复接触的突发序列是主导因素。然而，也有更大的模式，如非回溯贪婪遍历所示。我们进一步研究了贪婪行走的熵率，并表明与时间不相关的引用相比，原始数据中已访问节点的序列更具结构性和可预测性。总之，这些结果表明，在时间网络的相关时间拓扑模式的丰富性。
2015-11-02 cs.SI physics.soc-ph
Multilayer Graph Contrastive Clustering Network
University of Electronic Science and Technology of China（电子科技大学）
多层图由于其在相互依赖系统建模中的高实用性，在许多领域获得了大量的研究关注。然而，旨在将图中的节点划分为类别或社区的多层图聚类仍处于起步阶段。现有的方法往往局限于利用多视图属性或多个网络，而忽略了更复杂和更丰富的网络框架。为此，我们提出了一个通用的和有效的自动编码器框架多层图聚类命名为多层图对比聚类网络（MGCCN）。MGCCN由三个模块组成：（1）注意力机制用于更好地捕捉节点和邻居之间的相关性，以获得更好的节点嵌入。(2)To为了更好地挖掘不同网络中的一致性信息，提出了一种对比融合策略。（3）MGCCN采用自监督组件，迭代地加强节点嵌入和聚类。对不同类型的真实世界图形数据的大量实验表明，我们提出的方法优于最先进的技术。
2021-12-28 cs.AI cs.CV cs.LG
Nested stochastic block model for simultaneously clustering networks and nodes
提出嵌套随机块模型NSBM，利用NDP先验联合实现网络间与网络内节点的双层聚类，并通过多种Gibbs采样器完成后验推断。
2025-03-14 cs.SI stat.ME stat.ML
Immunization strategies for epidemic processes in time-varying contact networks
扩展过程是研究网络结构特性及其组成部分的相对重要性的一个非常有效的工具，并已被广泛用于静态网络。在这里，我们认为简单的疾病传播过程中的经验时变网络的个人之间的接触，并比较这些过程中的几种免疫策略的效果。免疫策略被定义为选择一组不能感染或传播疾病的节点（个体）。该选择根据接触网络的节点的特定排名来执行。我们考虑了各种排名策略，特别关注训练窗口的作用，在此期间，在时变网络中测量节点的属性：较长的训练窗口对应于收集的大量信息，并且可以预期会导致免疫策略的更好性能。相反，我们发现一个意想不到的饱和的效率的策略的基础上节点的特征时，训练窗口的长度增加，显示有限的信息量的接触模式是足够的设计有效的免疫策略。这一发现是平衡的大变化的接触模式，强烈改变节点的重要性，从一个时期到下一个，因此显着限制任何策略的效率的基础上的重要性排名的节点。我们还观察到，策略的效率，包括一个随机性的元素，是基于时间上的本地信息不执行以及，但在很大程度上是独立的信息量。
2013-05-10 cs.SI physics.soc-ph q-bio.PE
Local Graph Clustering with Noisy Labels
University of Waterloo（滑铁卢大学）
本文研究如何利用含噪节点标签进行局部图聚类，提出基于标签构建加权图并执行图扩散的方法，从理论上证明其恢复优势，并在多个真实数据集上将F1最高提升13%。
2024-03-04 cs.LG cs.SI stat.ML
Learning Optimal Graph Filters for Clustering of Attributed Graphs
Department of Electrical and Computer Engineering, Michigan State University（电气与计算机工程系，密歇根州立大学）
本文提出一种基于图信号处理的方法，通过两步迭代优化学习适用于属性图聚类的FIR和ARMA图滤波器参数，以最大化簇间分离度，并在属性网络上验证了其优于现有方法。
2024-05-30 cs.LG cs.SI eess.SP
Cascading Failures in Smart Grids under Random, Targeted and Adaptive Attacks
UNSW Sydney（悉尼新南威尔士大学）；Data61, CSIRO（澳大利亚联邦科学与工业研究组织数据61所）
我们研究智能电网中的级联故障，攻击者有选择地妥协的节点与概率成正比的程度，介数，或聚类系数。这意味着具有高度、介数或聚类系数的节点受到攻击的概率更高。我们通过数学和实验分析了不同类型的有针对性的攻击下网络的巨组件的大小，并将结果与随机攻击下的相应大小进行了比较。我们表明，网络瓦解更快的有针对性的攻击相比，随机攻击。对一小部分高度节点的有针对性的攻击会分解一个或两个网络，而这两个网络都包含对同一部分节点进行随机攻击的巨大组件。一个重要的观察结果是，如果攻击者基于节点的介数而不是基于度或聚类系数来损害节点，则攻击者具有优势。接下来我们研究自适应攻击，其中攻击者在回合中妥协节点。在这里，一些节点在每一轮中基于它们的度、介数或聚类系数而被折衷，而不是将所有节点一起折衷。在这种情况下，度、介数或聚类系数在每轮开始之前计算，而不是在开始时计算。我们的实验表明，对手有一个优势，在这种自适应的方法，相比，同时损害相同数量的节点。
2022-06-25 cs.DM cs.LG cs.NI
Spectral Clustering with Epidemic Diffusion
California State University, Fullerton（加州州立大学富勒顿分校）；USC Information Sciences Institute（南加州大学信息科学研究所）；Claremont Graduate University（克莱蒙特研究生大学）；HP Labs（惠普实验室）
谱聚类被广泛用于将图划分为不同的模块或社区。现有的谱聚类方法使用图拉普拉斯算子的特征值和特征向量，这是一种与图上的随机游走密切相关的算子。我们提出了一种新的谱分割方法，利用流行病扩散的属性。流行病是一个动态过程，与随机游走不同，它同时转移到给定节点的所有邻居。我们发现，复制，一个操作符描述流行病扩散，是等价的对称归一化拉普拉斯算子的重加权图的边缘重加权的特征向量中心的事件节点。因此，更多的权重被给予连接更多中心节点的边。我们描述了一种方法，分区节点的复制的第二特征向量的第一分量比的基础上，并比较其性能与传统的谱聚类技术与已知的社区结构的合成图。我们证明了复制因子优先考虑密集的，类cnc的结构，使其能够更有效地发现社区，可能被掩盖的密集社区间的联系。
2013-10-04 cs.LG cs.SI physics.soc-ph
