面向网络的混合阶谱聚类
机器学习
2018-12-27 v1 机器学习
摘要
聚类是洞察复杂网络的基础，谱聚类（SC）是一种流行的方法。传统SC关注二阶结构（例如连接两个节点的边），不直接考虑高阶结构（例如三角形和团）。这促使了直接考虑高阶结构的SC扩展。然而，这两种方法都局限于考虑单一阶数。本文提出一种新的混合阶谱聚类（MOSC）方法，同时建模二阶和三阶结构，并基于图拉普拉斯（GL）和随机游走（RW）开发了两种MOSC方法。MOSC-GL结合边和三角形邻接矩阵，具有理论性能保证。MOSC-RW结合一阶和二阶随机游走以进行概率解释。我们基于割准则或三角形密度自动确定混合参数，并构建新的结构感知误差度量用于性能评估。在真实网络上的实验表明：1）两种MOSC方法优于现有SC方法，2）混合参数确定策略的有效性，3）结构感知误差度量提供的见解。
引用
@article{arxiv.1812.10140,
title = {Mixed-Order Spectral Clustering for Networks},
author = {Yan Ge and Haiping Lu and Pan Peng},
journal= {arXiv preprint arXiv:1812.10140},
year = {2018}
}
备注
12 pages