基于测地线中心度的图谱嵌入

谢·道奇（Shay Deutsch）、斯特凡诺·索托（Stefano Soatto）
第26届国际人工智能与统计会议论文集，PMLR 206:10505-105192023年。

摘要

我们介绍了图Sylvester嵌入（GSE），这是一种局部相似性、连通性和全局结构的无监督图表示。GSE使用Sylvester方程的解来在单个表示中捕获网络结构和邻域邻近性。与基于拉普拉斯特征向量的嵌入不同，GSE包含两个或多个基函数，例如使用拉普拉斯和亲和矩阵。这些基函数不是从原始图构造的，而是来自于其权重测量原始图中边的中心性（通过该边的最短路径数的分数）的边。当用于数据分析任务时，如预测材料科学中的失效边缘和人类SARS CoV-2蛋白-蛋白质相互作用组中的网络对齐，这使得表现复杂网络结构的灵活性和控制能力更强，并显示出与现有技术相比的显著改进。

引用本文

BibTeX公司
@会议记录{pmlr-v206-deutsch23a，title={使用测地中心距进行图形光谱嵌入}，author={Deutsch、Shay和Soatto、Stefano}，booktitle＝{第26届国际人工智能与统计会议论文集}，页码={10505--10519}，年份={2023}，编辑＝{Ruiz，Francisco和Dy，Jennifer和van de Meent，Jan Willem}，体积={206}，series={机器学习研究论文集}，月={4月25日--27日}，publisher={PMLR}，pdf={https://proceedings.mlr.press/v206/deutsch23a/deutsch23a.pdf},url={https://proceedings.mlr.press/v206/deutsch23a.html},abstract={我们引入图Sylvester嵌入（GSE）局部相似性、连通性和全局结构的无监督图表示。GSE使用Sylvester方程的解来在单个表示中捕获网络结构和邻域邻近性。与基于拉普拉斯特征向量的嵌入不同，GSE包含两个或多个基函数，例如使用拉普拉斯和亲和矩阵。这些基函数不是从原始图构造的，但从一个其权重测量边（通过该边的最短路径数的分数）在原始图形中的中心性的值。这允许更大的灵活性和控制来表示复杂的网络结构，并在用于数据分析任务（例如预测材料科学中的失效边缘和人类SARS CoV-2蛋白-蛋白质相互作用组中的网络对齐）时，显示出与现有技术相比的显著改进。}}
尾注
%0会议论文%基于测地线中心度的T图谱嵌入%A Shay Deutsch公司%斯特凡诺·索托%第26届国际人工智能与统计会议论文集%C机器学习研究进展%D 2023年%E弗朗西斯科·鲁伊斯%E詹妮弗·戴伊%E Jan-Willem van de Meent公司%F pmlr-v206-deutsch23a型%我PMLR%电话10505-10519%U型https://proceedings.mlr.press/v206/deutsch23a.html%第206页%我们介绍了图Sylvester嵌入（GSE），一种局部相似性、连通性和全局结构的无监督图表示。GSE使用Sylvester方程的解来捕捉单个表示中的网络结构和邻域邻近度。与基于拉普拉斯特征向量的嵌入不同，GSE包含两个或多个基函数，例如使用拉普拉斯和亲和矩阵。这些基函数不是从原始图构造的，但从一个其权重测量边（通过该边的最短路径数的分数）在原始图形中的中心性的值。当用于数据分析任务时，如预测材料科学中的失效边缘和人类SARS CoV-2蛋白-蛋白质相互作用组中的网络对齐，这使得表现复杂网络结构的灵活性和控制能力更强，并显示出与现有技术相比的显著改进。
亚太地区
Deutsch，S.和Soatto，S.（2023）。使用测地线中心度进行图形光谱嵌入。第26届国际人工智能与统计会议论文集，英寸机器学习研究进展206:10505-10519网址：https://proceedings.mlr.press/v206/deutsch23a.html。

相关材料