利用非线性降维与随机漫步共现方法进行节点嵌入
机器学习
2026-03-02 v1 社会与信息网络
摘要
我们利用非线性降维技术，摆脱节点嵌入的低维限制约束，提出一种可解释的高维嵌入方法COVE，经UMAP降维后，在聚类和链接预测任务上性能略有提升。该嵌入灵感来自使用随机漫步共现作为相似性指示器的神经嵌入方法，与扩散过程密切相关。基于最新的社区检测基准，我们发现COVE-UMAP-HDBSCAN管道的性能与流行的Louvain算法相似。
引用
@article{arxiv.2602.24069,
title = {Leveraging Non-linear Dimension Reduction and Random Walk Co-occurrence for Node Embedding},
author = {Ryan DeWolfe},
journal= {arXiv preprint arXiv:2602.24069},
year = {2026}
}
备注
13 pages, 6 figures