Graph clustering and the nuclear Wasserstein metric
Estudiamos el problema de aprender la estructura de clusters de un grafo aleatorio G usando una muestra independiente. Proponemos una formulación robusta basada en la métrica de Wasserstein de este problema de optimización y probamos que se puede formular como un problema tratable de optmización con...
- Autores:
-
Roux Uribe, Daniel de
- Tipo de recurso:
- Fecha de publicación:
- 2018
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- eng
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/35098
- Acceso en línea:
- http://hdl.handle.net/1992/35098
- Palabra clave:
- Optimización matemática - Investigaciones
Matemáticas
- Rights
- openAccess
- License
- http://creativecommons.org/licenses/by-nc-sa/4.0/
| Summary: | Estudiamos el problema de aprender la estructura de clusters de un grafo aleatorio G usando una muestra independiente. Proponemos una formulación robusta basada en la métrica de Wasserstein de este problema de optimización y probamos que se puede formular como un problema tratable de optmización convexa. Damos garantías teóricas exactas para este problema cuando la métrica de Wasserstein es inducida por la norma nuclear y G se distribuye según el modelo estocástico por bloques. Finalmente presentamos nuestra implementación en Julia del algoritmo propuesto y mostramos su desempeño numérico en datos sintéticos. |
|---|