Nov, 2022

深度图聚类的调查: 它的分类，挑战和应用

HTML
PDF
TL;DR本文是关于深度图聚类的首个全面综述，首先介绍了深度图聚类的定义和基准方法，然后提出基于四种不同标准的深度图聚类方法的分类学。此外，通过对现有工作的仔细分析，总结了来自五个方面的挑战和机遇。最后，介绍了深度图聚类在四个主要领域中的应用，并提供了 GitHub 上的深度图聚类方法的最新文献和数据集。
发现论文，激发创造
  • 深度图相似性学习：综述

    本文对深度图相似性学习的现有文献进行了综述和分类，讨论了方法和应用的挑战和未来方向。

    Dec, 2019

  • 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

  • 深度聚类综述：分类，挑战和未来方向

    本文综述了深度聚类的最新研究进展、方法分类和实验设置，讨论了深度聚类的应用和未来方向。

    Jun, 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

  • Dink-Net：大型图上的神经聚类

    该研究提出了一种可扩展的深度图聚类方法（Dink-Net），通过膨胀和收缩的思想，利用深度神经网络将图的节点分为不相交的群组，并通过自我监督方法学习表示。该方法采用小批量数据优化聚类分布，并最小化聚类膨胀损失和聚类收缩损失，将表示学习和聚类优化这两个步骤融入一个端到端框架中。实验结果表明，该方法比其他方法更加优越。

    May, 2023

  • 未知簇数的强化图聚类

    我们提出了一种名为强化图聚类（RGC）的新型深度图聚类方法，将集群数量确定和无监督表示学习统一到一个框架中，并通过强化学习机制精确地捕捉图中的局部和全局信息来评估不同集群数量的质量并决定聚类数量。

    Aug, 2023

  • 学习超球面上的统一簇对深度图聚类

    我们提出了一种新的深度图级聚类方法 Uniform Deep Graph Clustering（UDGC），通过将实例均匀分配到不同的聚类中心并在单位超球面上散布这些聚类，从而实现了更均匀的聚类级分布和较小的聚类崩溃问题。我们在八个著名数据集上的实证研究显示，UDGC明显优于现有的模型。

    Nov, 2023

  • 深度聚类综述：从先验角度

    基于神经网络的深度聚类在分析高维复杂现实世界数据方面取得了巨大成功，然而现有工作往往忽视了深度聚类中先验知识的融合和利用，本文通过对各种先验知识进行分类，提供了全面的深度聚类方法综述，并提供了五个广泛使用的数据集的基准测试和方法性能分析，希望能够为深度聚类研究提供一些新的见解和启发。

    Jun, 2024

  • 高级图聚类方法：全面深入分析

    本文探讨了图聚类的传统和最新方法，涵盖了基本概念、图论中的背景知识，以及利用深度学习进行聚类的先进技术。通过实验对这些方法进行了综合比较，并讨论了图聚类的实际应用和未来研究方向。

    Jul, 2024

  • 你需要的只是消亡聚类——具有未知数量聚类的深度聚类

    本研究针对深度聚类中用户需提前指定聚类数量的局限性，提出了一种名为UNSEEN的通用框架，能够从一个给定的上限中估计聚类数量。通过与多个流行的深度聚类算法结合，实验证明了该方法的有效性，具有良好的适应性和广泛的应用潜力。

    Oct, 2024