学习正确层：一种用于多层图上半监督学习的数据驱动层聚合策略
机器学习
2023-06-02 v1
摘要
多层图上的聚类(或社区检测)相较于标准图具有若干额外复杂性，因为不同层可能具有不同结构与信息类型。主要挑战之一是确定各层对聚类分配的贡献程度，以有效利用多层结构并改进使用单独层或其并集所得的分类。然而，对层的聚类信息含量做出有根据的先验评估可能非常困难。本工作中，我们假设半监督学习设定，即初始提供小部分节点的类别，并提出一种无参数的拉普拉斯正则化模型，从可用输入标签中学习不同层的最优非线性组合。该学习算法基于带不精确梯度的 Frank-Wolfe 优化方案，并结合改进的标签传播迭代。我们给出了算法的详细收敛分析以及在合成与真实世界数据集上的大量实验，表明所提方法与多种基线相比具优势，且优于孤立使用各单独层。
引用
@article{arxiv.2306.00152,
title = {Learning the Right Layers: a Data-Driven Layer-Aggregation Strategy for Semi-Supervised Learning on Multilayer Graphs},
author = {Sara Venturini and Andrea Cristofari and Francesco Rinaldi and Francesco Tudisco},
journal= {arXiv preprint arXiv:2306.00152},
year = {2023}
}