非平衡异质网络中的半监督学习
机器学习
2019-01-08 v1 机器学习
社会与信息网络
摘要
社区发现曾是网络分析中的热门话题，其主要目标是在网络中进行无监督学习或聚类。近来，半监督学习受到研究者越来越多的关注。在本文中，我们提出一种称为加权逆拉普拉斯（WIL）的新算法，用于预测部分标记网络中的标签。该思想源于随机游动中的首达时间，并且在信息传播与正则化框架下也有良好的解释。我们提出部分标记的度修正块模型（pDCBM）来描述部分标记网络的生成。我们证明，对于平均度 的 pDCBM，WIL 保证误分类率为 阶，并且它能处理比传统拉普拉斯方法更严重的非平衡情形。在多数模拟与真实数据集中，WIL 优于其他最先进的方法，尤其是在非平衡网络与异质网络中。
引用
@article{arxiv.1901.01696,
title = {Semi-supervised learning in unbalanced and heterogeneous networks},
author = {Ting Li and Ningchen Ying and Xianshi Yu and Bin-Yi Jing},
journal= {arXiv preprint arXiv:1901.01696},
year = {2019}
}