基于拉普拉斯矩阵几何平均的符号网络聚类
机器学习
2017-01-05 v1 机器学习
数值分析
摘要
符号网络允许对正负关系进行建模。我们分析了谱聚类到符号网络的现有扩展。结果表明，在正负网络结构之一不含噪声的几种情况下，现有方法无法恢复真实聚类。我们的分析表明，这些问题源于现有方法对正负部分的拉普拉斯矩阵取某种算术平均。作为解决方案，我们提出使用正负部分拉普拉斯矩阵的几何平均，并表明其优于现有方法。尽管矩阵的几何平均计算代价高昂，但我们展示了几何平均的特征向量可以高效计算，从而导出了一种对于稀疏矩阵具有独立意义的数值方案。
引用
@article{arxiv.1701.00757,
title = {Clustering Signed Networks with the Geometric Mean of Laplacians},
author = {Pedro Mercado and Francesco Tudisco and Matthias Hein},
journal= {arXiv preprint arXiv:1701.00757},
year = {2017}
}
备注
14 pages, 5 figures. Accepted in Neural Information Processing Systems (NIPS), 2016