具有离群点的属性网络中的半监督嵌入
社会与信息网络
2018-04-30 v4 人工智能
摘要
在本文中，我们提出了一个称为具有离群点的属性网络中的半监督嵌入(SEANO)的新框架，用于学习低维向量表示，该表示系统地捕获部分标记属性网络(PLAN)中顶点的拓扑邻近性、属性亲和力和标签相似性。我们的方法被设计为在转导(transductive)和归纳(inductive)设置下均能工作，同时显式地减轻来自离群点的噪声影响。来自网络、文本和图像领域的各种数据集上的实验结果表明，在转导和归纳设置下的半监督分类中，SEANO优于最先进的方法。我们还展示了SEANO中的一部分参数可解释为离群点分数，并且在应用于检测网络离群点时能显著优于基线方法。最后，我们展示了SEANO在一个具有挑战性的真实场景——卫星图像洪水制图中的应用，并表明它能够在此任务上超越现代遥感算法。
引用
@article{arxiv.1703.08100,
title = {Semi-supervised Embedding in Attributed Networks with Outliers},
author = {Jiongqian Liang and Peter Jacobs and Jiankai Sun and Srinivasan Parthasarathy},
journal= {arXiv preprint arXiv:1703.08100},
year = {2018}
}
备注
in Proceedings of SIAM International Conference on Data Mining (SDM'18)