鲁棒顶点分类

对于服从随机块模型（stochastic blockmodels，潜位置图的一种特例）分布的随机图，邻接谱嵌入后接适当的顶点分类是渐近贝叶斯最优的；但该方法需要知晓模型维度且严重依赖于该维度。本文提出一种无需模型维度信息的稀疏表示顶点分类器。该分类器将测试顶点表示为训练集中顶点的稀疏线性组合，并利用恢复的系数对测试顶点进行分类。我们证明了所提分类器在随机块模型下的一致性，并通过模拟研究和真实数据实验表明，稀疏表示分类器在预测顶点标签方面的准确率高于邻接谱嵌入方法。我们的结果证明了当模型维度未知时，所提顶点分类器的鲁棒性和有效性。