.png){kind=icon}
返回
RMFSVD: robust graph clustering based on matrix factorization and singular value decomposition
.png){kind=icon}
PRE
AI
DOI：10.1007/s00607-025-01581-1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图聚类是网络分析中用于发现复杂图结构中潜在群体结构的关键技术。然而，基于非负矩阵分解（NMF）的传统聚类方法通常对噪声、离群点和无法捕捉非线性结构模式较为敏感。为克服这些挑战，我们提出了一种基于奇异值分解（RMFSVD）的鲁棒矩阵分解框架，用于实现准确且抗噪声的图聚类。RMFSVD利用低秩近似方案与鲁棒奇异值分解技术，有效提取有意义的潜在特征，同时增强对噪声和不完整数据的鲁棒性。具体而言，RMFSVD将输入相似度矩阵分解为干净的低秩分量和稀疏噪声矩阵，从而实现结构信息与噪声的有效分离。此外，RMFSVD采用图增强策略来强化和改进网络中节点间关系的建模。在多个基准图数据集上的广泛实验表明，RMFSVD在鲁棒性、可扩展性和聚类性能方面优于现有的最先进聚类方法。
Keyword:
Graph clustering
Robust clustering
Nonnegative matrix factorization
Singular value decomposition
期刊
C
IF:
2.8
论文数:
2.3K
被引数:
3.5K
机构
引用论文
IBPL: Information Bottleneck-based Prompt Learning for graph out-of-distribution detectionIBPL：基于信息瓶颈的提示学习用于图分布外检测.png)
NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏Diversity Embedding Deep Optimal Graph Regularized Nonnegative Matrix Factorization for Robust Multiview Clustering多样性嵌入深度最优图正则化非负矩阵分解用于鲁棒多视图聚类
PREAI
分享收藏Flow2GNN: Flexible Two-Way Flow Message Passing for Enhancing GNNs Beyond HomophilyFlow2GNN: 灵活的双向流消息传递，用于增强gnn超越同质
PREAI
分享收藏Learning unified distance metric for heterogeneous attribute data clustering学习统一的距离度量方法以实现异构属性数据聚类
PREAI
分享收藏A geographic-semantic context-aware urban commuting flow prediction model using graph neural network
OAAI
OAAI分享收藏分享收藏A study of enhanced visual perception of marine biology images based on diffusion-GAN基于扩散-GAN的海洋生物学图像增强视觉感知研究
OAAI
OAAI分享收藏
查看更多内容