.png){kind=icon}
返回
K Graph Centers
.png){kind=icon}
PRE
AI
DOI：10.1109/tkde.2026.3701456.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
K-means是一种适用于规则结构化数据的强大无监督聚类方法，其基础依赖于几何聚类中心。然而，将此范式扩展到图结构数据仍具挑战性。我们提出“K-图中心”——一种新型方法，通过“图中心”定义图聚类，该中心表示为使簇内加权拓扑距离之和最小的N维向量。我们引入了一种高效的幂迭代方案来计算图中心：1）通过归一化邻接矩阵扩散亲和度；2）通过逐行离散化强制稀疏性。聚类分配从收敛的图中心得出，类似于K-means。与传统的基于谱的方法相比，K-图中心方法表现出较低的计算复杂度和较快的收敛速度。实验结果验证了其在常见指标上的时间效率与聚类性能。
Keyword:
K-graph-centers
virtual graph center
spectral clustering
graph cohesiveness
K-means
期刊
IF:
10.4
论文数:
6.8K
被引数:
3.2W
机构
引用论文
Joint Learning of Spectral Clustering Structure and Fuzzy Similarity Matrix of Data数据的谱聚类结构与模糊相似矩阵的联合学习
PREAI
分享收藏Clustering and projected clustering with adaptive neighbors.png)
Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining
Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data miningIF0
PREAI
分享收藏BioMDSum: An Effective Hybrid Biomedical Multi-Document Summarization Method Based on PageRank and Longformer Encoder-DecoderIEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Expert Credibility Prediction Model Based on Fuzzy C-Means Clustering and Similarity Association基于模糊C-均值聚类和相似性关联的专家可信度预测模型
PREAI
分享收藏
查看更多内容