面向有向图的参数化幂迭代聚类
机器学习
2026-01-30 v2 机器学习
摘要
有向图(digraphs)的顶点级聚类仍具挑战性，因为边的方向性打破了流行谱方法背后的关键假设，且谱方法还带来特征分解的开销。本文提出参数化幂迭代聚类(ParPIC)，一种基于随机游走的弱连通有向图聚类方法。该方法构建于幂迭代聚类范式之上，该范式使用迭代扩散算子的行作为数据嵌入。ParPIC具有三个重要特征：使用参数化可逆随机游走算子、扩散时间的自动调优，以及对最终嵌入的高效截断，从而产生低维数据表示并降低复杂度。在合成与真实世界图上的实证结果表明，相较于基于谱和基于传送的方法，ParPIC在可扩展性提升的同时取得了具竞争力的聚类精度。
引用
@article{arxiv.2210.00310,
title = {Parametrized Power-Iteration Clustering for Directed Graphs},
author = {Gwendal Debaussart-Joniec and Harry Sevi and Matthieu Jonckheere and Argyris Kalogeratos},
journal= {arXiv preprint arXiv:2210.00310},
year = {2026}
}