.png){kind=icon}
返回
Coarse-and-Learn: Efficient Online Node Labeling
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-4384-7_32.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们考虑在非常大的无向图上进行在线节点分类，其中关键步骤是求取一个大而稀疏的拉普拉斯矩阵的逆矩阵。我们探索了图粗化的优点和局限性，即在粗化过程中将当前未被标记的节点汇总为超节点，从而在每一步生成一个信息丰富的压缩拉普拉斯矩阵。这为非常大的图提供了一种计算上可扩展的方法。我们给出了与核相关的学习界 O(tr(M) + √ε)，其中 M 是逆正则化核矩阵，对于适当的核选择，该界可以简化为 O(√N + √ε)。这里，ε 是粗化矩阵与未粗化矩阵 M 之间的谱误差。我们的大规模数值实验表明，该方法在显著降低计算成本的同时，学习性能相当。
Keyword:
graph coarsening
online learning
期刊
N
IF:
0
论文数:
26
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容