通过截断 MLE 的凸松弛实现鲁棒超图聚类
机器学习
2020-11-19 v3 信息论
机器学习
math.IT
摘要
我们研究加权 -均匀超图随机块模型（\textsf{-WHSBM}）中的超图聚类，其中来自同一社区的由 个节点构成的每条边具有比来自不同社区的节点构成的边更高的期望权重。我们提出一种称为 \textsf{CRTMLE} 的新超图聚类算法，并给出其在 \textsf{-WHSBM} 下对一般参数区间的性能保证。我们表明，对于近似均衡的社区规模，所提方法达到了阶最优或现有最佳结果。此外，我们的结果确立了针对规模不平衡且集群数增长情形的首批恢复保证。结合理论分析与经验结果，我们展示了我们的算法对社区规模不平衡性或离群节点存在的鲁棒性。
引用
@article{arxiv.2003.10038,
title = {Robust Hypergraph Clustering via Convex Relaxation of Truncated MLE},
author = {Jeonghwan Lee and Daesung Kim and Hye Won Chung},
journal= {arXiv preprint arXiv:2003.10038},
year = {2020}
}
备注
20 pages, 4 figure