稀疏随机图的低维空间嵌入
机器学习
2019-06-14 v1 机器学习
摘要
我们提出了一种非线性方法，用于直接将大型稀疏随机图嵌入到低维空间中，而无需顶点特征位于或转化为度量空间。图数据与图模型在现实应用中十分普遍。除图可视化外，直接图嵌入是许多图分析任务的基础。我们将这一新方法命名为 SG-t-SNE，因为它受到并建立在 t-SNE 的核心原理之上，t-SNE 是一种广泛使用的非线性降维与数据可视化方法。我们还介绍了 t-SNE-，一种在个人计算机上以卓越效率进行大型稀疏图二维、三维嵌入的高性能软件。它利用现代计算技术，协同发挥矩阵结构与内存架构的优势，为 SG-t-SNE 提供支撑。我们在一个合成图和四个真实网络上的嵌入结果清晰地展示了方法的有效性。
引用
@article{arxiv.1906.05582,
title = {Spaceland Embedding of Sparse Stochastic Graphs},
author = {Nikos Pitsianis and Alexandros-Stavros Iliopoulos and Dimitris Floros and Xiaobai Sun},
journal= {arXiv preprint arXiv:1906.05582},
year = {2019}
}