此卡片不在当前主题的阅读序列中,可返回主题继续阅读。
知识卡片
社区层压缩为超级节点
社区层学习作用在节点层学习得到的解上:
- 把每个社区的全部节点合成一个“超级节点”,组成新网络 G′。
- 若原网络中社区 Ca 的某节点与社区 Cb 的某节点有边,则超级节点 Ca、Cb 之间连边,权重为这些原边的条数之和。
- 在 G′ 上执行节点层学习(此时“节点”就是整个社区),再把结果映射回原网络。
示例(补充演示):Ca 与 Cb 之间原有 3 条边,则 G′ 中两者连一条权重为 3 的边;若节点层学习让它们同号,就相当于把两个社区整体合并。
这样一次能移动整团节点,帮助节点层跳出局部最优;但被错误合并进同一社区的节点,在这一层是一个整体,无法拆开。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 3 . 3 . 2 局 部 搜 索 · 查看原书依据
把每个社区里的所有点看成是一个合在一起的新点,即社区C是个新节点 ,由此构造的点称为超级节点,并由超级节点构成新网络G'。
参考来源
- 位置:《智能算法导论》第 3 章 3.3.2 节“局部搜索”(`EPUB/xhtml/chapter3_0008.xhtml`);表 3.3。
- 结论依据:正文给出社区到超级节点的构造、边权汇总及无法拆分误并节点的限制,流程表显示压缩后调用节点层学习并解码。“3 条边”为依据原书边权定义补充的教学示例,非书中数据。
- 原始内容:把每个社区里的所有点看成是一个合在一起的新点,即社区 C 是个新节点 ,由此构造的点称为超级节点