拉普拉斯混合建模用于网络分析和图上的无监督学习
摘要：拉普拉斯混合模型在无标签的图和网络数据中识别重叠的影响区域，以可伸缩和高效的方式提供有用的低维表示。通过结合拉普拉斯特征空间和有限混合建模方法，它们为各种输入数据类型提供概率性或模糊性降维或领域分解，包括混合分布、特征向量以及图或网络。该算法的可证明的最优恢复在一个非平凡的类别图中得到了解析证明。本文描述了可扩展高性能实现的启发式近似方法并进行了实证测试。与PageRank和网络分析中的社区检测的关联表明了该方法的广泛适用性。回顾与物理学中的广义热或扩散方程有关的模糊谱方法的起源和概述。还讨论了与其他降维和聚类方法在具有挑战性的无监督机器学习问题上的比较。
作者：Daniel Korenblum
论文ID：1502.00727
分类：Machine Learning
分类简称：stat.ML
提交时间：2018-10-03