带噪声标签的局部图聚类

随着对带有文本、图像或标签等额外节点信息的图上的机器学习问题兴趣的增长，那些需要代价高昂的整图处理操作的方法已变得流行。然而，鲜有研究致力于开发快速的局部方法（即不访问整图）以从此类数据中提取有用信息。为此，我们提出利用噪声节点标签作为额外节点信息的代理来研究局部图聚类。在该设定下，节点根据簇归属获得初始二值标签：若属于目标簇则为 1，否则为 0。随后，这些标签中的一部分被翻转。我们研究了引入噪声标签对局部图聚类的益处。通过用此类标签构建加权图，我们研究了基于图扩散的局部聚类方法在原始图和加权图上的性能。从理论角度，我们考虑在带有独立噪声节点标签的随机图中利用单个种子节点恢复未知目标簇。我们给出了标签噪声的充分条件，在此条件下，以高概率使用加权图中的扩散能更准确地恢复目标簇。该方法被证明比单独使用给定标签或在无标签原始图中使用扩散更有效。在实证上，我们表明只需从属性图中抽取少量样本即可获得可靠节点标签。此外，通过在加权图中利用这些标签进行扩散，在多个真实数据集上显著提升了局部聚类性能，F1 分数最高提升 13%。