图聚类

摘要： 聚类是一种寻找数据之间内在结构的技术,是许多数据驱动应用领域的一个基本问题,而聚类性能在很大程度上取决于数据表示的质量。近年来,深度学习因其强大的特征提取能力被广泛地应用于聚类任务,以学习更好的特征表示,显著提高了聚类性能。首先,介绍了传统的聚类任务;然后,根据网络结构介绍了基于深度学习的聚类及代表性方法,指出了当前存在的问题,并介绍了基于深度学习的聚类在不同领域的应用;最后,对基于深度学习的聚类发展进行了总结与展望。

摘要： 多视角聚类通过利用多视角之间的互补性和一致性信息来提高聚类的性能。近年来受到越来越多的关注。为了及时掌握目前基于图的多视角聚类算法的研究现状与最新技术,对大量的、最新的多视角图聚类进行调查、归纳整理、分类及总结。根据多视角聚类涉及的算法机制和数学原理,并进一步分为基于图、基于网络和基于谱的聚类方法。不仅详细介绍了每一类算法数学原理、算法模型,而且还举例说明了这些算法的应用。报告了基于图的多视角聚类的现状,最后总结了各类算法的优缺点,并指出了当下的挑战以及未来研究发展的方向。

摘要： 为获取智能电网中电力设备运行状况,考虑机器正常工作和异常工作状态下发出的声音不同,通过声音识别监测机器运行状态。针对获取机器异常状态下的声音样本的问题,该文提出一种基于图聚类的无监督机器状态检测方法。首先,通过自适应滤波方法降低噪声对音频的干扰;其次,对正常声音提取调制谱特征;然后,使用图聚类构造簇以捕获正常声音的变化特性;最后,计算待测声音与簇的距离来识别异常状态。仿真结果表明,该文算法对阀门、风扇、滑轨和泵4种电力设备的检测精度均有提高。

摘要： 近年来,开源软件在IT领域中发挥的作用越来越重要。然而,开源软件通常由多方共同开发,安全性很难得到有效的审查,往往存在大量的安全漏洞。为此,文中提出基于代码不一致性分析的开源软件漏洞检测方法,基于该方法并结合图聚类算法设计了面向开源软件的静态分析系统。系统将目标源代码进行编译并抽象成程序依赖图,对基本的程序依赖图进行抽象,构造出数据依赖图,并在此基础上使用图神经网络进行聚类,检验代码相似性,通过对聚类结果进行过滤,可以有效筛选出疑似漏洞。此外,本系统不需要外部数据集,仅通过开源软件自身的代码就可以进行安全漏洞检测。利用三个C语言开源软件作为测试数据,对系统进行了测试,结果表明,在少量的人工辅助分析基础上,该系统能够快速有效地发现开源软件中的多种漏洞。

摘要： 现今图聚类复杂网络社区发现方法主要关注于网络拓扑结构,没有考虑节点间的属性相似性.利用结构和属性相似性融合,结合距离函数的间接连接路径,实现对均值漂移图聚类的优化.最后,利用真实复杂网络数据集对所提方法进行分析.实验结果表明,所提方法较其他社区发现方法更高效准确,且适用于大规模复杂网络数据集.

摘要： 在众多聚类算法中,谱聚类作为一种代表性的图聚类算法,由于其对复杂数据分布的适应性强、聚类效果好等优点而受到人们的广泛关注.然而,由于其高计算时间复杂度难以应用于处理大规模数据.为提高谱聚类算法在大规模数据集上的可用性,提出关键节点选择的快速图聚类算法.该算法包含三个重要步骤:第一,提出一种充分考虑抱团性和分离性的快速节点重要性评价方法;第二,选择关键节点代替原数据集构建二分图,通过奇异值分解获得数据的近似特征向量;第三,集成多次的近似特征向量,提高近似谱聚类结果的鲁棒性.该算法将时间复杂度由谱聚类原有的O(n3)降低到O(t(n+2n2)),增强了其在大规模数据集上的可用性.通过该算法与其他七个具有代表性的谱聚类算法在五个Benchmark数据集上进行的实验分析,比较结果展示了该算法相比其他算法能够更加高效地识别数据中的复杂类结构.

摘要： 半监督学习可以利用少量的先验信息来更好地进行模式识别的工作。而标签传播算法是半监督学习中的研究热点之一。在半监督聚类的应用场景下,本文的算法以局部表示假设为基础,进一步地与秩约束聚类方法相结合,并提出了一种有效的半监督聚类框架。此外,本文提出一种可将半监督的成对约束信息在生成图上进行标签传播的方法。

摘要： 针对以大数据为中心的信息开放共享平台,如何从嵌入大规模噪声结构的网络中解码出网络的真实结构,进一步在挖掘关联信息的过程中得到较为准确的挖掘结果的问题,提出基于结构熵的聚类方法实现对图中节点关联程度的划分。提出了计算二维结构信息的求解算法和基于熵减原则的模块划分算法,对图结构中节点划分得到对应的模块;利用K维结构信息算法对已划分的模块做进一步的划分,实现对图结构中节点的聚类;通过实例分析表明,所提出的图聚类方法不仅能够反映图结构的真实结构,而且可以有效地挖掘出图结构中节点之间的关联程度。同时对比了其他3种聚类方法,实验表明该方法在执行时间上具有更高的效率和保证聚类结果的可靠性。

摘要： 针对大规模图数据顶点聚类进行研究,提出了一种基于Spark的并行社区发现算法,其在基于极值优化的串行社区发现算法的基础上设计而成.此外还针对该串行算法在簇调整时因选择顶点数量过少而影响算法运行效率的问题,提出了一种多个顶点选择方法.该方法会计算一个阈值并发现所有适应度值小于该阈值的顶点,作为被选择的顶点;由于阈值是基于所有顶点的适应度值计算出来的,为了避免非常大的适应度值对阈值造成的影响该方法会限制被选择顶点的数量,若被选择的顶点过多,算法只保留其中的一部分.同时,还提出了一种顶点过滤方法,其可以有效减少图数据的数据量.实验表明,提出算法的运行时间明显短于比较的其他基于Spark的并行化社区发现算法,可以发现其运行速度相对较快.

摘要： 针对数据流约束的应用环境,在WebJet平台工具支撑下,采取集中式方式对Web服务进行组合,将Web服务组合采用图聚类方法划分成分布式代码片段,然后采取分布式方式运行服务组合的技术路线.在满足簇(划分)之间数据流量最小化及分布式系统吞吐量最大化的目标约束下,运用图聚类的多级算法划分Web服务组合.实例分析说明,该算法能自动、快速地将集中式BPEL程序划分为分布式的BPEL程序,并对BPEL程序迁移到的分布式节点之间的负载进行均衡调整,使分布式运行系统达到负载均衡。

摘要： 本发明公开了一种基于聚类的形变图的渐进式图匹配方法及装置，方法包括：1)、获取待匹配图像的图像特征；2)、将差异值小于预设阈值的相邻两个图像特征进行合并为一个图像特征，得到图像特征簇；3)、根据图像特征簇之间的匹配关系，获取候选匹配的相似性值，并根据相似性值的最大值获取候选匹配的指示向量；4)、判断指示向量对应的相似性值是否收敛；5)、若否，根据各个候选匹配的指示向量，获取指示向量的置信度，得到更新后的匹配矩阵；并返回执行步骤3)，直至指示向量对应的相似性值收敛；6)、若是，将匹配矩阵中的各个图像特征的对应关系作为待匹配图像的匹配结果。应用本发明实施例，可以提高图像特征匹配的效率。

摘要： 一种基于图的程序规范(628)，包括：多个组件，每个组件对应于一处理任务并且包括一个或多个端口，端口包括用于发送或接收单个数据元素的标量数据端口和用于发送或接收多个数据元素的集合的集合数据端口；以及一个或多个链路，每个链路将上游组件的输出端口连接至下游组件的输入端口。生成用于表示多个组件的子集(630，631)的准备好的代码，包括：识别一个或多个子集边界，包括识别将一组件的集合数据端口连接至一组件的标量数据端口的一个或多个链路；基于识别出的子集边界形成子集；针对每个形成的子集生成准备好的代码，当用于被运行时系统执行时，代码使得执行与每个形成的子集中的组件相对应的处理任务。

摘要： 本发明公开了一种基于聚类的形变图的渐进式图匹配方法及装置，方法包括：1)、获取待匹配图像的图像特征；2)、将差异值小于预设阈值的相邻两个图像特征进行合并为一个图像特征，得到图像特征簇；3)、根据图像特征簇之间的匹配关系，获取候选匹配的相似性值，并根据相似性值的最大值获取候选匹配的指示向量；4)、判断指示向量对应的相似性值是否收敛；5)、若否，根据各个候选匹配的指示向量，获取指示向量的置信度，得到更新后的匹配矩阵；并返回执行步骤3)，直至指示向量对应的相似性值收敛；6)、若是，将匹配矩阵中的各个图像特征的对应关系作为待匹配图像的匹配结果。应用本发明实施例，可以提高图像特征匹配的效率。

摘要： 一种基于图的程序规范(628)，包括：多个组件，每个组件对应于一处理任务并且包括一个或多个端口，端口包括用于发送或接收单个数据元素的标量数据端口和用于发送或接收多个数据元素的集合的集合数据端口；以及一个或多个链路，每个链路将上游组件的输出端口连接至下游组件的输入端口。生成用于表示多个组件的子集(630，631)的准备好的代码，包括：识别一个或多个子集边界，包括识别将一组件的集合数据端口连接至一组件的标量数据端口的一个或多个链路；基于识别出的子集边界形成子集；针对每个形成的子集生成准备好的代码，当用于被运行时系统执行时，代码使得执行与每个形成的子集中的组件相对应的处理任务。

摘要： 本发明公开了一种基于溯源聚类及图序列化的入侵检测方法及系统，属于网络安全领域，包括：建立用于表示用户行为的溯源图，并对其中的节点进行聚类，得到与组成用户行为的行为实例一一对应的溯源子图；将各溯源子图序列化之后，分别输入至已训练好的特征提取模型，得到各行为实例的特征向量；将用户行为的各行为实例的特征向量分别与规则库中的特征向量进行比对，在用户行为的行为实例不全是正常行为实例时，判定用户行为为入侵行为；规则库为正常行为实例的特征向量的集合；若行为实例的特征向量与规则库中各特征向量的最小差异度大于预设的检测阈值，则该行为实例为异常行为实例，否则为正常行为实例。本发明能够提高入侵检测的检测精度和效率。

摘要： 本发明涉及一种基于递归图与卷积自编码器的高维负荷聚类方法，包括如下步骤：S1、获取高维负荷功率特征，S2、构建基于递归图理论的高维负荷特征增强模型；S3、构建基于卷积自编码器的高维负荷特征提取模型；S4、构建基于谱聚类的高维负荷聚类模型，得到高维负荷的聚类结果。本发明能够将一维负荷特征转换为二维递归图特征，实现特征增强，并结合卷积自编码器实现特征提取，利用该特征达到了更好的聚类效果。

摘要： 本申请涉及一种基于多阶邻居信息传递融合聚类网络的图聚类方法和装置。所述方法包括：对原始图数据样本进行随机游走，得到优化邻接矩阵；构建深度融合聚类网络；对节点特征编码信息和结构编码信息进行融合，得到融合编码信息；对融合编码信息进行软分配矩阵计算；并通过软分配矩阵生成目标分配矩阵；根据预先设置的损失函数，对深度融合聚类网络进行训练，利用训练好的深度融合聚类网络输出图数据对应的节点表示进行K‑means聚类。采用本方法能够提高聚类效果。

摘要： 本发明提供了基于分布式图嵌入的联邦图聚类方法、装置及读存储介质，该方法包括：基于第一方数据构建第一图，基于第二方数据构建第二图；对第一方数据和第二方数据进行加密求交，确定第一图和第二图中的公共节点，根据公共节点关联第一图和第二图，得到联邦图；利用基于随机游走的分布式图嵌入算法学习联邦图，确定从第一图出发的第一图嵌入向量[PiA，PiB]和从第二图出发的第二图嵌入向量[PiA’，PiB’]；基于联邦聚类方法对联邦图的第一图嵌入向量[PiA，PiB]和第二图嵌入向量[PiA’，PiB’]进行聚类分析，得到聚类结果。利用上述方法，能够实现对双方隐私数据进行联邦图聚类，得到更好的聚类效果。

摘要： 本发明公开了一种基于图数据的多视图图聚类方法，该方法首先使用低通滤波器对多视图图数据的每一个视图特征进行滤波，然后利用表现良好的自表达模型结合权重机制计算出相似矩阵，通过设置正则项将相似矩阵和表示图节点关系的邻接矩阵联系起来，得到一个可迭代算法，通过该算法快速收敛得到多视图图数据最优表示的图邻接矩阵，将传统谱聚类方法运用于该矩阵即可得到最终聚类结果。本发明基于图滤波技术、图结构矩阵的高阶邻近信息、权重机制实现，相较于基于深度学习的方法，本发明简洁高效，避免了大量参数的计算过程，在保证效率的前提下，具有良好的性能指标；且通用性较强，在多个广泛运用的数据集上相较于现存的方法展现出巨大的优势。

摘要： 本发明公开了一种基于自监督神经网络的图聚类方法及装置，方法包括：使用聚类方法对图数据集进行端到端的聚类分析，获取各节点的聚类分配值和聚类分配置信度值；对每个类别选择聚类分配置信度值高的节点，形成伪标签集，通过伪标签集学习节点分类任务，在多任务下开始聚类任务，输出聚类结果；设计一个辅助节点分类任务，以节点特征和邻接结构为输入，通过两层GCN和softmax激活函数学习表示，输出分类结果；根据聚类结果、分类结果，选择决策一致的图节点，并通过不同的聚类排序策略来筛选伪标签集。装置包括：获取模块、多任务模块、分类模块、筛选模块。通过本发明可以筛选出高质量的伪标签。