结构化深度聚类网络
本文提出了一种深度融合聚类网络(DFCN),采用自编码器和图自编码器进行结构信息的处理并采用可靠的目标分布生成度量和三元自监控策略,以实现交叉模态信息利用,对六个基准数据集的广泛实验表明,DFCN 一致优于现有技术。
Dec, 2020
使用图神经网络(GNNs)学习连贯且有区分力的节点表示以进行聚类在深层图聚类中已经显示出了良好的结果。然而,现有方法忽视了表示学习与结构增强之间的相互关系。该研究表明,增强嵌入和结构的协同作用对于释放 GNNs 在深层图聚类中的潜力变得必要。可靠的结构促进获取更连贯的节点表示,而高质量的节点表示可以指导结构的增强,从而提高结构的可靠性。此外,现有基于 GNNs 的模型的泛化能力相对较差。尽管它们在具有高同质性的图上表现良好,但在具有低同质性的图上表现较差。为此,我们提出了一个名为 Synergistic Deep Graph Clustering Network(SynC)的图聚类框架。在我们的方法中,我们设计了一个名为 Transform Input Graph Auto-Encoder(TIGAE)的模型来获取高质量的嵌入,并用于引导结构增强。然后,在增强的图上重新捕捉邻域表示以获得适合聚类的嵌入,并进行自监督聚类。值得注意的是,表示学习和结构增强共享权重,从而大大减少了模型参数的数量。此外,我们引入了一种结构微调策略以提高模型的泛化能力。对基准数据集进行的大量实验证明了我们方法的优越性和有效性。代码已在 GitHub 和 Code Ocean 上发布。
Jun, 2024
提出了一种名为 Dual Correlation Reduction Network(DCRN)的方法,该方法采用双重相关性降低的策略来减少节点编码过程中的表征崩溃现象,同时通过 GCN 中引入传播正则化项来缓解过度平滑造成的表征崩溃现象,实验表明该方法在六个基准数据集上相比于现有最先进算法表现更好。
Dec, 2021
基于图卷积网络,提出了深度对比图学习模型(DCGL),用于一般数据聚类。该模型通过建立伪孪生网络,将自编码器与图卷积网络相结合,强调图结构和原始特征,并引入特征级对比学习来增强判别能力,利用样本与质心之间的关系作为聚类导向指引。然后,设计了双分支图学习机制来提取局部和全局结构关系,并在聚类级别对比指导下将其嵌入到统一的图中。在几个基准数据集上的实验结果表明,DCGL 相对于现有算法具有优越性。
Feb, 2024
本文提出了一种联合学习框架,通过使用双自编码器网络将输入嵌入到潜在空间中,利用相互信息估计从输入中提供更具区分性的信息,并应用深度谱聚类方法将潜在表示嵌入到特征空间中并聚类,证明该方法在基准数据集上显著优于现有的聚类方法。
Apr, 2019
本文提出了一种基于深度自编码器的无监督子空间聚类新颖深度神经网络架构,其中引入了一种自相似层,以模拟传统子空间聚类方法中的 “自相似” 属性。该方法能够在非线性方式下对具有复杂结构的数据点进行聚类,并且在实验中表现出优于现有方法的性能。
Sep, 2017
提出了一种无监督的深度自动聚类网络(ADCN)的构建方法,它结合了自动提取特征的层和自治的全连接层,通过重建损失进行自我进化和自我聚类,没有标记样本,能够在流式环境中完全自主地构造 ADCN 结构。
Sep, 2021