本次研讨会聚焦于优化图或流形中两个节点的相关性计算的快速随机游走重启动（RWR）。传统方法面临存储和时间成本问题，而提案旨在平衡即时计算与预计算之间的权衡。主要内容包括矩阵归一化、图划分和低秩近似等步骤，以解决大规模矩阵逆求解的挑战。然而，低秩近似的理论、后续研究进展以及实际应用等方面仍存在待解答的问题。
Reference
概述
- 一句话描述：
Optima the RWR of computing relevance of two nodes in a graph or manifold. - Traditional: storage and time cost
On the fly vs preCompute - Proposal: balance between them.
具体
将大矩阵逆的求解转化为小矩阵逆的求解，利用图结构的linear correlations 和 block wise, community-like structure。
大概分为以下几步：
1. 矩阵的Normalization，将相似度转化为概率
row-norm
normalized graph Lapalician–效果会有提升
2. Partition
使用别人的方法
3. Low-rank appr
最低0.47元/天 解锁文章
扫一扫
288
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
