图中的高阶标签同质性及其传播
社会与信息网络
2020-02-20 v1 机器学习
摘要
高阶网络结构是否有助于图的半监督学习？给定一个图和少量已标注顶点，标注其余顶点是一个具有高影响力的问题，在诸如推荐系统、欺诈检测和蛋白质识别等若干任务中有应用。然而，传统方法依赖边来传播标签，这是有限的，因为并非所有边都是等同的。具有更强连接的顶点参与图中的高阶结构，这需要能够在此类半监督学习任务中利用这些结构的方法。为此，我们提出高阶标签传播（HOLS）以利用高阶结构传播标签。HOLS 具有强有力的理论保证，并在基情形下退化为标准标签传播。通过大量实验，我们表明使用三角形加边的高阶标签传播比仅使用边的标签传播高出至多 4.7%。与先前的传统方法及最先进（state-of-the-art）方法相比，所提方法在除一种情况外的所有情况下均带来统计显著的准确率提升，同时保持快速且可扩展至大图。
引用
@article{arxiv.2002.07833,
title = {Higher-Order Label Homogeneity and Spreading in Graphs},
author = {Dhivya Eswaran and Srijan Kumar and Christos Faloutsos},
journal= {arXiv preprint arXiv:2002.07833},
year = {2020}
}
备注
7 pages