Resumen

La mayoría de los algoritmos de clustering para redes existentes son no supervisados, lo que no puede ayudar a mejorar la calidad del clustering utilizando un pequeño número de conocimientos previos. Proponemos un algoritmo de clustering semisupervisado para redes basado en la propagación rápida de afinidades (SCAN-FAP), que es esencialmente un tipo de método de aprendizaje de métricas de similitud. En primer lugar, definimos una nueva medida de similitud de restricciones que integra la información estructural y las restricciones por pares, lo que refleja las similitudes efectivas entre nodos de redes. A continuación, tomando las similitudes de restricción como entrada, proponemos un algoritmo rápido de propagación de afinidad que mantiene las ventajas del algoritmo original de propagación de afinidad a la vez que aumenta la eficiencia temporal pasando sólo los mensajes entre ciertos nodos. Por último, mediante amplios estudios experimentales, demostramos que el algoritmo propuesto puede aprovechar plenamente el conocimiento previo y mejorar significativamente la calidad de la agrupación. Además, nuestro algoritmo tiene un rendimiento superior al de algunos de los enfoques más avanzados.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:algoritmo, redes, conocimiento previo, algoritmo rápido de propagación de afinidades, nueva medida de similitud de restricciones, algoritmo original de propagación de afinidades, amplios estudios experimentales, propagación rápida de afinidades, método de aprendizaje métrico, calidad
• Keywords:algorithm, networks, prior knowledge, fast affinity propagation algorithm, new constraint similarity measure, original affinity propagation algorithm, extensive experimental studies, fast affinity propagation, metric learning method, quality