AAAIOct, 2022

GLCC: 用于图级聚类的通用框架

PDF
TL;DR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。
graph-level clusteringgraph neural networkscontrastive learningmultiple graphsbioinformatics
发现论文，激发创造
  • 图形对比聚类

    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

  • CGC：用于社群检测和跟踪的对比图聚类

    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

  • 深度对比图学习与聚类导向引导

    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

  • 基于局部结构的图形对比表示学习

    我们提出了一种局部结构感知的图对比学习方法 (LS-GCL)，用于从多个视角建模节点的结构信息，并且通过多层对比损失函数来优化模型，实验结果表明我们的方法在节点分类和链接预测任务上均优于最先进的图表示学习方法。

    Aug, 2023

  • TopoGCL: 拓扑图对比学习

    图对比学习在图神经网络的强大优势下充分利用丰富的无标签信息来学习图的特征表示，然而现有的方法忽视了高阶图子结构的重要潜在信息，本研究通过引入拓扑不变性和扩展持久性的概念来解决这个限制，提出了一种新的对比学习模式并引入了扩展持久性景观，实验结果表明 TopoGCL 模型在无监督图分类中取得了显著的性能提升。

    Jun, 2024

  • CSGCL: 社区强度增强的图对比学习

    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

  • GraphCL: 对图形表示的对比自监督学习

    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

  • FastGCL: 对比邻居聚合的图快速自监督学习

    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

  • 基于伪标签引导的互信息最大化网络的深度图聚类

    本文提出了一种叫做 Deep Graph-Level Clustering (DGLC) 的算法，通过图同构网络学习图的表示来解决图的相似性度量问题和图的划分问题，并在六个基准数据集上展示出了其与现有算法相比具有领先的性能。

    Feb, 2023

  • 多视角对比图聚类

    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