Enhanced Graph-Learning Schemes Driven by Similar Distributions of Motifs
Enhanced Graph-Learning Schemes Driven by Similar Distributions of Motifs
复制标题
由相似的主题分布驱动的增强型图学习方案
DOI：
10.1109/tsp.2023.3303639
复制
发表时间：
2022
影响因子：
5.4
通讯作者：
Santiago Segarra
中科院分区：
文献类型：
--
作者：
A. Marques;Samuel Rey;T. Roddenberry;Santiago Segarra
本文着眼于网络拓扑推理的任务，其目标是从节点观测中学习未知图。提出的方法的新颖性之一是考虑先验信息的密度图案的未知图，以提高经典高斯图形模型的推理。直接处理图案的密度构成了一个具有挑战性的组合任务。然而，我们注意到，如果两个图具有相似的基序密度，则可以表明应用于其经验谱分布的多项式的期望值将是相似的。在此指导下，我们首先假设我们观察到一个参考图，其图案密度与所寻求的图的图案密度相似，然后，我们通过在图学习优化问题中引入相似性约束和正则化项来利用这种关系。讨论了优化问题的（非）凸性，并设计了一种计算效率高的交替优化-最小化算法。我们评估所提出的方法的性能，通过详尽的数值实验，不同的约束条件被认为是合成和现实世界的数据集上的流行的替代品和比较。
This paper looks at the task of network topology inference, where the goal is to learn an unknown graph from nodal observations. One of the novelties of the approach put forth is the consideration of prior information about the density of motifs of the unknown graph to enhance the inference of classical Gaussian graphical models. Directly dealing with the density of motifs constitutes a challenging combinatorial task. However, we note that if two graphs have similar motif densities, one can show that the expected value of a polynomial applied to their empirical spectral distributions will be similar. Guided by this, we first assume that we observe a reference graph with a density of motifs similar to that of the sought graph, and then, we exploit this relation by incorporating a similarity constraint and a regularization term in the graph learning optimization problem. The (non-)convexity of the optimization problem is discussed, and a computationally efficient alternating majorization-minimization algorithm is designed. We assess the performance of the proposed method through exhaustive numerical experiments, where different constraints are considered and compared against popular alternatives on both synthetic and real-world datasets.
登录
查看更多内容
根据具有部分连接信息的流式固定图信号进行在线拓扑推断
影响因子：
2.3
作者：
Shafipour, Rasoul;Mateos, Gonzalo
通讯作者：
Mateos, Gonzalo
DOI：
10.1109/icassp43922.2022.9747524
发表时间：
2021-10
期刊：
ICASSP 2022 - 2022 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
影响因子：
--
作者：
Samuel Rey;Andrei Buciulea;Madeline Navarro;Santiago Segarra;A. Marques
通讯作者：
Samuel Rey;Andrei Buciulea;Madeline Navarro;Santiago Segarra;A. Marques
影响因子：
5.4
作者：
Roddenberry, T.M.;Gama, F.;Baraniuk, R.G.;and Segarra, S.
通讯作者：
and Segarra, S.
影响因子：
14.9
作者：
Mateos, Gonzalo;Segarra, Santiago;Ribeiro, Alejandro
通讯作者：
Ribeiro, Alejandro
关于纳米粒子和纳米复合材料作为手术缝合线涂层材料功效的体外研究
影响因子：
3.900
作者：
Heba R. Shebl;Rehab A. Soliman;Omnia M. Abdallah
通讯作者：
Omnia M. Abdallah