基于容量释放扩散的局部超图聚类
社会与信息网络
2021-01-27 v1
摘要
局部图聚类是一项重要的机器学习任务，旨在种子节点集附近寻找一个连通性良好的簇。近期结果表明，引入高阶信息可显著增强图聚类技术的效果。该领域现有研究多聚焦于基于谱图理论的技术。然而，对局部图聚类的另一种视角源于在目标函数上使用最大流与最小割，其提供了截然不同的保证。例如，近期提出的一种称为容量释放扩散（CRD）的新方法被证明比谱方法更好地保持种子周围的局部结构。该方法也是首个在假设种子节点附近存在良好簇时不服从二次 Cheeger 不等式的局部聚类技术。本文中，我们提出一种称为超图 CRD（HG-CRD）的局部超图聚类技术，通过将 CRD 过程扩展至基于以超边编码的高阶模式进行聚类。此外，我们从理论上证明 HG-CRD 给出关于称为模体电导（motif conductance）的量的结果，而非先前实验中使用的有偏版本。在合成数据集与真实世界图上的实验结果表明 HG-CRD 提升了聚类质量。
引用
@article{arxiv.2003.04213,
title = {Local Hypergraph Clustering using Capacity Releasing Diffusion},
author = {Rania Ibrahim and David F. Gleich},
journal= {arXiv preprint arXiv:2003.04213},
year = {2021}
}
备注
18 pages, 6 figures