CGC:用于社群检测和跟踪的对比图聚类
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
为了解决 GCL 方法中的 community semantics 问题,我们提出了一种称为 CSGCL 的 algorithmic framework,并使用两种新的图扩充方法和动态的 'Team-up' 对比学习策略,传播 community strength,实现了对图表示的有效性和通用性的验证。
May, 2023
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
本研究提出一种新的基于图的对比学习框架 ——Graph Contrastive Clustering(GCC),用于聚类任务,并利用该框架在六个常用数据集上进行了实验。实验结果表明,该方法在聚类问题上明显优于现有的最先进方法。
Apr, 2021
我们提出了一种新颖的社区感知高效图对比学习框架(CEGCL),通过个性化自我训练和对齐的图聚类技术,实现了社区检测任务中的无监督学习和结构相关性任务的高性能。
Nov, 2023
本研究提出了一个简单而有效的方法,即 FastGCL,它针对图形神经网络的特征(如邻域聚合)构建加权聚合和非聚合邻域信息作为正负样本,通过识别数据的潜在语义信息来快速训练和收敛,从而在节点分类和图分类任务中具有竞争性的分类性能和显着的训练加速。
May, 2022
本文提出了一种名为 Graph Contrastive Learning(GraphCL)的一般框架,以自我监督的方式学习节点表示,通过最大化同一节点的本地子图的内在特征和连接结构的两个随机扰动版本的表示之间的相似性来学习节点嵌入,并使用对比学习损失来最大化它们之间的一致性,证明我们的方法在节点分类基准测试中显着优于无监督学习的现有技术。
Jul, 2020