Spectral Embedding Representation Based on Random Anchor Graph Aggregation
Notice bibliographique
Résumé
Anchor-based strategies have been widely used to accelerate spectral clustering, yet their effectiveness is directly affected by the quality of the selected anchors. Random sampling has become one of the most important anchor determination methods due to its efficiency. However, the anchors obtained by a single random sampling often fail to adequately capture the topological structure of the original data, making it difficult for the constructed anchor graph to achieve satisfactory clustering performance. To solve this problem, we propose a novel spectral embedding representation model based on random anchor graph aggregation (RAGA), in which an aggregated anchor graph can be produced to obtain enhanced sample representation capability. Specifically, we perform multiple random samplings to make the distribution of the selected anchors approximate the original data within a reasonable sampling time. Subsequently, adaptive weighted learning is performed on the contribution of the constructed multiple anchor graphs, and then an aggregated anchor graph can be formed, which can portray the topological structure of the original samples more precisely. In addition, spectral embedding and spectral rotation are integrated into a joint learning framework to reduce the model learning error accumulation caused by the traditional two-stage framework. Notably, we propose a rigorous theorem for analyzing the approximation of samples by the selected anchors in multiple random samplings. Our proposed RAGA maintains the speed advantage of random sampling while obtaining a high-quality aggregated anchor graph, enabling it to handle large-scale data scenarios. Experimental results on several benchmark datasets show that the RAGA model outperforms other state-of-the-art (SOTA) anchor graph-based clustering methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».