由相似模体分布驱动的增强图学习方案
信号处理
2022-07-12 v1
摘要
本文研究网络拓扑推断任务，其目标是从节点观测中学习未知图。所提方法的新颖之处之一在于考虑未知图的模体密度先验信息，以增强经典高斯图模型的推断。直接处理模体密度是一项具挑战性的组合任务。然而，我们注意到若两图具有相似模体密度，则可证明应用于其经验谱分布之多项式的期望将相似。受此引导，我们首先假设存在一个与所求图相关（即具有相似模体密度意义下）的参考图，进而通过在网络拓扑推断优化问题中引入相似性约束与正则化项来利用该关系。我们讨论了该优化问题的（非）凸性，并设计了计算高效的交替优化-最小化算法。我们通过详尽的数值实验评估了所提方法的性能，其中考虑了不同约束并与合成及真实数据集上流行的基线算法进行比较。
引用
@article{arxiv.2207.04747,
title = {Enhanced graph-learning schemes driven by similar distributions of motifs},
author = {Samuel Rey and T. Mitchell Roddenberry and Santiago Segarra and Antonio G. Marques},
journal= {arXiv preprint arXiv:2207.04747},
year = {2022}
}