.png){kind=icon}
返回
Co-Hub Node Based Multiview Graph Learning With Theoretical Guarantees
.png){kind=icon}
PRE
AI
DOI：10.1109/tsp.2026.3729139.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
识别观测多变量数据下潜的图结构在众多应用中至关重要。当前方法主要局限于在假定观测数据具有均匀稀疏连接的前提下推断单个图。然而，许多应用涉及具有多个密切相关图（通常称为多视图图）的异构数据集。关于多视图图学习的前期研究通过成对或基于共识的正则化器促进层间的边相似性。然而，多视图图常在不同视图中表现出共享的基于节点的架构，例如共同枢纽节点。这种共性可提升学习精度并提供可解释的洞见。本文提出一种共枢纽节点模型，假设不同视图共享一组共同枢纽节点。通过强制对共枢纽节点的连接施加结构稀疏性，发展了相关优化框架。此外，本文对层可识别性进行了理论考察，并确定了估计误差的界限。所提出的方法学通过合成图数据和来自多个受试者的fMRI时间序列数据进行了验证，以区分多个密切相关图。
Keyword:
Multiview graphs
graph learning
co-hub nodes
brain network
