快速增量冯·诺依曼图熵计算：理论、算法与应用
机器学习
2019-05-30 v2 机器学习
社会与信息网络
摘要
冯·诺依曼图熵（VNGE）便于度量图序列中图之间的信息散度和距离。它已成功应用于由网络数据驱动的各种学习任务。尽管有效，VNGE 计算代价高昂，因为它需要图拉普拉斯矩阵的完整特征谱。在本文中，我们提出一个新的计算框架——快速增量冯·诺依曼图熵（FINGER），以性能保证逼近 VNGE。FINGER 将 VNGE 的立方体复杂度降低到节点和边数量的线性复杂度，从而支持基于增量图变化的在线计算。我们还展示了 FINGER 与精确 VNGE 的渐近等价性，并推导了其近似误差界。基于 FINGER，我们提出计算图间 Jensen-Shannon 距离的高效算法。我们在不同随机图模型上的实验结果证明了 FINGER 的计算效率和渐近等价性。此外，我们将 FINGER 应用于两个真实世界应用和一个合成异常检测数据集，并证实其相对于七种基线图相似性方法的优越性能。
引用
@article{arxiv.1805.11769,
title = {Fast Incremental von Neumann Graph Entropy Computation: Theory, Algorithm, and Applications},
author = {Pin-Yu Chen and Lingfei Wu and Sijia Liu and Indika Rajapakse},
journal= {arXiv preprint arXiv:1805.11769},
year = {2019}
}
备注
Published at ICML 2019