基于近似有效 p-阻力的多类图聚类
机器学习
2023-07-20 v2 机器学习
摘要
本文提出了一种(有效)p-阻力(p-resistance)的近似方法,并将其应用于多类聚类。基于图拉普拉斯算子及其对图 p-拉普拉斯算子的推广的谱方法一直是非欧式聚类技术的支柱。p-拉普拉斯算子的优势在于参数 p 可对簇结构施加可控偏置。基于 p-拉普拉斯特征向量的方法的缺陷是第三及更高阶特征向量难以计算。因此,我们转而受启发使用由 p-拉普拉斯算子诱导的 p-阻力进行聚类。对于 p-阻力,较小的 p 偏置于具有高内部连通性的簇,而较大的 p 偏置于“范围”较小的簇,即偏好簇内顶点间较短的最短路径距离。然而,p-阻力的计算代价高昂。我们通过开发 p-阻力的近似方法克服了这一点。我们证明了该近似的上下界,并观察到当图为树时它是精确的。我们还为使用 p-阻力进行聚类提供了理论依据。最后,我们给出了将所提近似 p-阻力聚类与其他基于 p-拉普拉斯算子的方法进行比较的实验。
引用
@article{arxiv.2306.08617,
title = {Multi-class Graph Clustering via Approximated Effective $p$-Resistance},
author = {Shota Saito and Mark Herbster},
journal= {arXiv preprint arXiv:2306.08617},
year = {2023}
}
备注
Accepted to ICML2023