基于多线性核回归与流形学习的图中时变边流 imputation
机器学习
2024-09-10 v1 信号处理
摘要
本文将最近发展的多线性核回归与通过流形学习进行插值（MultiL-KRIM）框架扩展到图中的时变边流插值问题。MultiL-KRIM使用单纯形复合方法和Hodge Laplacian来纳入图的拓扑结构，并利用流形学习方法识别特征中潜在的几何结构，这些特征被建模为围绕嵌入在再生产核希尔伯特空间（RKHS）中的光滑流形上的点云。遵循光滑流形切空间的概念，线性近似块用于为点云近似添加协同过滤的风格。结合矩阵分解，MultiL-KRIM实现了降维，并在无需训练数据或额外信息的情况下实现了高效计算。在真实网络时变边流的数值测试中，MultiL-KRIM相对于多个最先进的方案在插值效果上显著提升。
关键词
引用
@article{arxiv.2409.05135,
title = {Imputation of Time-varying Edge Flows in Graphs by Multilinear Kernel Regression and Manifold Learning},
author = {Duc Thien Nguyen and Konstantinos Slavakis and Dimitris Pados},
journal= {arXiv preprint arXiv:2409.05135},
year = {2024}
}