归一化超图割的一种新松弛方法
机器学习
2015-11-10 v1 数据结构与算法
摘要
归一化图割(NGC)因其在机器学习和超大规模集成(VLSI)电路设计等众多领域的广泛应用而成为一个热门研究课题。大多数传统NGC方法基于成对关系(相似性)。然而，在现实应用中，顶点(对象)之间的关系可能比成对关系更复杂，通常表示为超图中的超边。因此，归一化超图割(NHC)吸引了越来越多的关注。现有的NHC方法在真实应用中无法取得令人满意的性能。本文中，我们提出一种称为松弛NHC(RNHC)的新颖松弛方法来求解NHC问题。我们的模型被定义为Stiefel流形上的一个优化问题。为求解该问题，我们借助Cayley变换来设计一种可行的学习算法。在VLSI领域用于聚类和划分的一组大型超图基准上的实验结果表明，RNHC能够优于最先进(state-of-the-art)方法。
引用
@article{arxiv.1511.02595,
title = {A New Relaxation Approach to Normalized Hypergraph Cut},
author = {Cong Xie and Wu-Jun Li and Zhihua Zhang},
journal= {arXiv preprint arXiv:1511.02595},
year = {2015}
}