基于潜在空间 GMM 模型的图社区增强
机器学习
2024-12-03 v1 信息论
math.IT
机器学习
摘要
本研究针对生成模型中的图生成问题进行了探讨。具体而言，我们关注图社区增强问题，即在通过给定图数据集估计的概率分布中生成具有新社区的未知或不熟悉图的问题。图社区增强意味着生成的图具有新的社区结构。在社交网络（如采购网络）中，有机会发现具有新社区结构的未知但重要的图结构。图社区增强也有助于在收集足够真实图数据困难的情况下提升数据挖掘模型的泛化能力。实际中，有许多方法可以生成新的社区。为了在保持原始图结构一定程度的同时发现具有新社区的图（以使生成图保持真实性），我们提出了一种称为图社区增强 (GCA) 的算法。GCA 的关键思想是：(i) 将高斯混合模型 (GMM) 拟合到节点嵌入至原始图的潜在空间中的数据点，以及 (ii) 基于最小描述长度 (MDL) 原理，在潜在空间中添加新聚类的数据点以生成新的社区。我们在合成数据集和真实数据集上经验性地演示了GCA 有效地生成具有新社区结构的图。
引用
@article{arxiv.2412.01163,
title = {Graph Community Augmentation with GMM-based Modeling in Latent Space},
author = {Shintaro Fukushima and Kenji Yamanishi},
journal= {arXiv preprint arXiv:2412.01163},
year = {2024}
}
备注
IEEE Copyright. Accepted to 24th IEEE International Conference on Data Mining (ICDM). 10pages