深度时变图聚类
本文提出了TGL，一个适用于大规模离线图神经网络的统一框架，在多个GPU上进行训练，该框架包括时间采样器、邮箱、节点内存模块、内存更新器和消息传递引擎等五个主要组件，并通过随机块调度技术解决了训练大批量样本时过时的节点内存等问题。在多个小规模和两个大规模数据集上的实验结果表明，TGL可以实现更快的训练速度和类似或更好的准确性。
Mar, 2022
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
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。
Nov, 2022
本篇论文提出了一种解决大规模时间图聚类评估的挑战的方法——构建一个包含多个学术数据集的arXiv4TGC数据集，并与先前的经典数据集和本论文提出的新数据集进行比较，以提高不同模型的聚类表现和适用于大规模时间图聚类的可行性。
Jun, 2023
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
本研究通过将结构信息整合到在线逼近目标中，采用拉普拉斯正则化项，将状态空间模型理论扩展到时间图，提出了GraphSSM框架，用于建模时间图的动态性，实验证明GraphSSM在各种时间图基准测试中的有效性。
Jun, 2024
本研究解决了时序图聚类中数据集中化导致的隐私和通信挑战。提出的联邦时序图聚类（FTGC）框架通过去中心化的训练方式、时序聚合机制和联邦优化策略，有效捕捉图结构的演变并确保数据隐私。研究表明，该方法在时序图数据集上表现出色，适合隐私敏感的动态数据应用。
Oct, 2024