Several variants of the graph Laplacian have been introduced to model non-local diffusion processes, which allow a random walker to {\textquotedblleft jump\textquotedblright} to non-neighborhood nodes, most notably the transformed path graph Laplacians and the fractional graph Laplacian. From a rigorous point of view, this new dynamics is made possible by having replaced the original graph $G$ with a weighted complete graph $G'$ on the same node-set, that depends on $G$ and wherein the presence of new edges allows a direct passage between nodes that were not neighbors in $G$. We show that, in general, the graph $G'$ is not compatible with the dynamics characterizing the original model graph $G$: the random walks on $G'$ subjected to move on the edges of $G$ are not stochastically equivalent, in the wide sense, to the random walks on $G$. From a purely analytical point of view, the incompatibility of $G'$ with $G$ means that the normalized graph $\hat{G}$ can not be embedded into the normalized graph $\hat{G}'$. Eventually, we provide a regularization method to guarantee such compatibility and preserving at the same time all the nice properties granted by $G'$.


翻译:图形 Laplacian 的几种变体被引入了非本地扩散过程的模型。 这些变体允许随机行进器进入非邻居节点, 最明显的是变换路径图 Laplacian 和 分数图 Laplacecian 。 从严格的观点来看, 新的动态之所以成为可能, 是因为在同一个节点上用一个加权的完整图形G$替换原始的G$, 这取决于$G$, 并且新边的出现允许在非邻居点之间直接通过$G$的节点。 我们显示, 一般来说, $G' 美元与原始模型图形的动态不兼容 $G$: $G' 的随机行走, 要在$的边缘移动, 在广义上, 与 美元 相同的节点上随机行走相当。 从纯粹的分析角度看, $G'$ 和 $$ 的不相容度, 意味着 美元与 美元 美元 的正标值 的正标值 = G\\\ g} 的正统化方法不能保证我们 以正统的正统的正统的正统的正统 。

0
下载
关闭预览

相关内容

专知会员服务
43+阅读 · 2021年4月12日
专知会员服务
56+阅读 · 2021年1月26日
【NeurIPS2020】可靠图神经网络鲁棒聚合
专知会员服务
19+阅读 · 2020年11月6日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
【清华大学】图随机神经网络,Graph Random Neural Networks
专知会员服务
154+阅读 · 2020年5月26日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
【GNN】R-GCN:GCN 在知识图谱中的应用
深度学习自然语言处理
11+阅读 · 2020年5月4日
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
ICML2019:Google和Facebook在推进哪些方向?
中国人工智能学会
5+阅读 · 2019年6月13日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
自然语言处理 (NLP)资源大全
机械鸡
35+阅读 · 2017年9月17日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年10月26日
Hyperbolic Graph Attention Network
Arxiv
6+阅读 · 2019年12月6日
Arxiv
4+阅读 · 2019年1月14日
Arxiv
4+阅读 · 2018年2月19日
VIP会员
相关VIP内容
专知会员服务
43+阅读 · 2021年4月12日
专知会员服务
56+阅读 · 2021年1月26日
【NeurIPS2020】可靠图神经网络鲁棒聚合
专知会员服务
19+阅读 · 2020年11月6日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
【清华大学】图随机神经网络,Graph Random Neural Networks
专知会员服务
154+阅读 · 2020年5月26日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
相关资讯
【GNN】R-GCN:GCN 在知识图谱中的应用
深度学习自然语言处理
11+阅读 · 2020年5月4日
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
ICML2019:Google和Facebook在推进哪些方向?
中国人工智能学会
5+阅读 · 2019年6月13日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
自然语言处理 (NLP)资源大全
机械鸡
35+阅读 · 2017年9月17日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员