基于生成式社区模型重新审视谱图聚类
机器学习
2017-10-06 v2 社会与信息网络
摘要
社区检测方法可分为两类原则：对给定图强加网络模型，或优化设计的目标函数。前者在理论可检测性上提供保证，但当图与底层模型不一致时表现不佳。后者无模型但无法为检测到的社区提供质量保证。本文提出一种新颖的统一框架，结合这两类原则的优势。所提方法SGC-GEN不仅考虑了相应模型与给定图失配所导致的检测误差，而且通过在生成式社区模型（GCMs）下分析谱图聚类（SGC）为社区可检测性提供了理论保证。SGC-GEN将正确社区检测的可预测性与对GCMs的社区拟合度量相结合。它通过启用各种社区检测损失函数和模型失配度量，类似于监督学习问题的公式化。我们进一步建立了在GCM下使用归一化图拉普拉斯矩阵进行正确社区检测的理论条件，这为SGC-GEN提供了一种新颖的数据驱动损失函数。此外，我们提出了一种实现SGC-GEN的有效算法，并表明SGC-GEN的计算复杂度与基线方法相当。我们在18个真实世界数据集上的实验表明，在7个代表性聚类度量下，SGC-GEN相比6种基线方法具有优越且鲁棒的性能。
引用
@article{arxiv.1709.04594,
title = {Revisiting Spectral Graph Clustering with Generative Community Models},
author = {Pin-Yu Chen and Lingfei Wu},
journal= {arXiv preprint arXiv:1709.04594},
year = {2017}
}
备注
Accepted by IEEE International Conference on Data Mining (ICDM) 2017 as a regular paper - full paper with supplementary material