在 LFR 参数空间中剖析图度量用于节点聚类的性能
社会与信息网络
2022-02-22 v1 机器学习
摘要
表达节点间接近度或距离的图度量可用于借助度量聚类算法对图节点进行聚类。适用于该任务的度量众多，而哪一种表现更优仍是一个开放问题。我们研究了 25 种图度量在具有不同参数的生成图上的性能。虽然通常的度量比较局限于在特定数据集上的总体度量排序，我们旨在依据图特征探究各种度量的性能。利用 LFR 图生成器，我们创建了覆盖整个 LFR 参数空间的 11780 个图的数据集。对每张图，我们用 k-means 算法针对每种所考察的度量评估聚类质量。基于此，我们确定了参数空间中每个区域的最佳度量。我们发现参数空间由某一特定度量最优的不同区域构成。我们分析了所得区域的几何结构并用简单准则对其加以描述。给定特定图参数时，这使我们能够推荐用于聚类的特定度量。
引用
@article{arxiv.2202.09827,
title = {Dissecting graph measure performance for node clustering in LFR parameter space},
author = {Vladimir Ivashkin and Pavel Chebotarev},
journal= {arXiv preprint arXiv:2202.09827},
year = {2022}
}
备注
Preprint Complex Networks and their Applications 2021 | CNA 2021