本文提出了一种面向多个图形的一般图级聚类框架,名为 GLCC,它使用对比学习技术,包括实例级和聚类级联合优化表示学习,以及使用邻域感知伪标签来奖励优化表示学习的过程。实验证实,GLCC 比其他竞争基线方法表现更好。
Oct, 2022
本文提出了一种基于对比学习的聚类方法,通过对表示进行分解,并使用分别编码不同信息的部分构建对比损失函数,可以高效地学习聚类结果。实验结果表明,该方法在多个标准数据集上取得了最新的甚至高居领先的聚类性能,尤其在 ImageNet 数据集上的准确率达到了 53.4%,并且优于现有方法。
Jun, 2023
本论文提出了一个自监督的图神经网络预训练框架 Graph Contrastive Coding(GCC),通过子图实例区分学习网络的建构,利用对比学习增强图神经网络的内在和可迁移的结构表现,并在十个图数据集上展开实验,结果表明,GCC 对于包括节点分类、相似性搜索和图分类等三个图学习任务,展现出与特定任务和从零开始训练的对应模型相竞争的性能,同时显示了预训练和微调范式在图表示学习中有很大的潜力。
Jun, 2020
本研究提出了一种多视图属性图数据聚类的通用框架,采用多视图对比图聚类 (MCGC) 方法来学习一致性图,相比现有的方法,该方法表现更优异,尤其是在深度学习方法上。
Oct, 2021
我们提出了一种新颖的生成校准聚类(GCC)方法,将特征学习和扩充巧妙地融入聚类过程中,通过发现真实样本和生成样本之间的内在关系和生成可靠聚类分配来改善聚类性能。
Apr, 2024
提出一种名为 Simple Contrastive Graph Clustering (SCGC) 的算法,从网络架构、数据增强和目标函数三个方面改进现有方法,通过简单的低通滤波去噪操作和两个多层感知器 (MLPs) 作为骨干网络,通过构建 siamese 编码器和直接损坏节点嵌入来实现数据增强,设计了新的跨视图结构一致性目标函数来提高网络的判别能力,实验结果表明,在七个基准数据集上,该算法比最近的对比深度聚类竞争对手快至少七倍,并取得了显著的性能优势。
May, 2022
该论文提出了 SCCL 框架,使用对比学习来帮助无监督聚类,有效提升类别间距离,进而在短文本聚类中达到更好的结果。研究表明,SCCL 能够显著提高精度和归一化互信息,同时有效结合自下而上的实例判别和自上而下的聚类来实现更好的聚类效果。
Mar, 2021
本文提出了一种新的自适应增强方法,通过设计基于节点中心性和节点属性的增强策略来保留图的内在结构和属性信息,并验证此方法在节点分类任务中优于现有方法和监督学习模型。
Oct, 2020
在图表征学习中,提出了一种新的分层对比学习 (Hierarchical Contrastive Learning, 简称 HCL) 框架,采用自适应的 L2Pool 方法进行更合理的多尺度图形拓扑构建,并采用多通道伪孪生网络来进一步扩展各级别内的互信息学习,以获得更丰富和更具层次感的表示。通过实验,HCL 在节点分类、节点聚类和图分类等 12 个数据集上均取得了具有竞争力的性能表现,并且通过可视化显示,HCL 成功捕捉到了图的有意义特征。
本文介绍一种基于对比学习的图聚类模型 CGC,它能够学习节点表征和群集分配,支持静态和动态图的聚类,并能检测变化点。实验表明,该模型在真实世界的图聚类中表现卓越。
Apr, 2022