摘要
这篇文章主要解决了超图的构建问题,以往的超图构建都是静态的,这里提出用动态构建,即在学习过程中不断对超图的形态进行构建。这篇论文的亮点我觉得就是使用了标签作为空间特征向量,来辅助对超图节点的聚类。
动态超图结构学习
超图构建
- 半监督学习,n个label 监督 ,m个test
- 超图关联矩阵定义
d ( v , v c ) d(v,v_c) d(v,vc)表示顶点 v v v到中心节点 v c v_c vc的距离。 d ^ \hat d d^表示当前edge 下的平均距离。
度矩阵还可以这么定义:
结构学习公式
令 Y = { y 1 , y 2 , . . . , y n + m } 令Y=\{y_1,y_2,...,y_{n+m}\} 令Y={y1,y2,...,yn+m}, y i y_i yi表示第i 个节点的label,这里将其转化为标签投影矩阵 F = { f 1 , f 2 , . . . , f n + m } F=\{f_1,f_2,...,f_{n+m}\} F={f1,f2,...,fn+m}其中 f i f_i fi中如果第i个node是属于j 类的话,第j个元素为1,否则为0,无标签样本则整个投影所有元素均为0. 换句话说就是所有的有标签样本转为one-hot 编码,无标签样本为一只有0.5元素的常值向量。
约束
- 对于标签投影矩阵F,它在超图结构H上应该是平滑的。也就是说俩个顶点连接的越近,或者说是连接的越紧密,则标签应该越相同。
也就是这里的损失计算,如果 H ( u , e ) 与 H ( v , e ) H(u,e)与H(v,e) H(u,e)与H(v,e)都比较大,那么为了让损失变小,则应该让后面的 F ( u , c ) 与 F ( v , c ) F(u,c)与F(v,c) F(u,c)与F(v,c)也要相差的小。 - 对于节点特征矩阵
X
X
X,也要达到 2 一样的效果,
- 经验损失
最后问题转为双优化问题
求解
数值 优化求解问题鄙人还不懂,留着以后再研究了
大概就是相对F优化,再对H优化