基于图神经网络的谱聚类用于图池化
本篇论文提出了一种名为 SpectralNet 的深度学习方法,通过在大量的未标注数据上训练,将输入的数据转换为与其相连的图拉普拉斯矩阵的特征空间的向量,并成功地应用于谱聚类,实现了对谱聚类中可扩展性以及广义化转化的双重突破。
Jan, 2018
本文研究使用深度模块网络(DMoN)解决无监督图聚类中图分割困难的问题,通过实验表明 DMoN 对于真实世界的数据集能实现与最优结果强相关的高品质聚类效果,其表现优于其他不同指标的汇聚方法。
Jun, 2020
通过使用 AGCSC 方法,我们采用了图卷积技术来同时开发特征提取方法和系数矩阵限制,并且我们的算法中的图卷积算子是迭代和自适应更新的,聚合特征表示适用于子空间聚类,并且系数矩阵能更准确地揭示原始数据集的子空间结构。
May, 2023
提出了 HoscPool,一种基于聚类的图池算子以及它的聚类组件,通过最小化松弛的基元谱聚类来学习概率群分配矩阵,从而丰富图形表示,并在图分类任务和地面真实社区结构图上取得了最佳表现。此外,对汇集算子的内部功能进行了深入的实证分析。
Sep, 2022
在这项研究中,我们开发了一种名为 Edge-aware hard clustering graph pooling (EHCPool) 的聚类图池化方法,用于提高 Graph Convolutional Networks (GCNs) 的表示学习能力,并获取异常脑图。EHCPool 首次基于边特征提出了 “边到节点” 的评估准则来评估节点特征的重要性。为了更有效地捕捉重要的子图,我们设计了一种新的迭代 N-top 策略来自适应地学习图的稀疏聚类分配。随后,我们提出了一种创新的 N-E 聚合策略,旨在聚合独立子图中的节点和边特征信息。该方法在多个脑成像公共数据集上进行了评估,并取得了最先进的性能,我们相信这是第一种具有从数据驱动角度探测不同类型异常功能性脑网络潜力的深度学习工具。
Aug, 2023
本文提出了一种改进的基于谱的图卷积网络,通过利用重新定义的拉普拉斯矩阵改进传播模型,可以直接处理定向图,并在半监督节点分类任务中表现出比当前最先进的方法更好的效果。
Jul, 2019
本文总结了谱图神经网络的最新发展,包括模型、理论和应用等方面的内容,其中介绍了谱性 GNN 能够捕捉全局信息,并具有更好的可表达性和可解释性。通过对现有谱性 GNN 的分析,本文梳理了主要理论结果和应用,最后进行了定量实验来评估几种常见的谱性 GNN 模型,为未来的研究提出了一些方向。
Feb, 2023
我们提出了一种在组公平性约束下进行谱聚类的方法,通过从噪声数据中学习图构造方法和将传统的公平谱聚类的各个阶段整合到一个端到端的框架中,处理原始数据并输出离散的聚类标签。实验证明我们的模型优于现有的公平聚类方法。
Nov, 2023
本文提出了一种叫作 SpecSumm 的算法,它利用了整数最大化和谱图理论的思想,通过节点聚合来实现图形概括,并通过贪婪启发式和 k-means 算法来进一步改进概括质量。实验证明,这个算法可以比现有算法更有效地处理数百万节点的大规模图形。
Nov, 2022