May, 2023

Dink-Net：大型图上的神经聚类

PDF
TL;DR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。
deep graph clusteringneural networksself-supervised learningcluster dilation losscluster shrink loss
发现论文，激发创造
  • 亿级图的分布式图神经网络训练

    本文介绍了 DistDGL 系统，作为基于 Deep Graph Library（DGL）进行开发的图神经网络（GNN）的分布式训练系统，具有高效、可扩展性等优点。该系统采用了高质量且轻量级的最小割图划分算法，并支持非本地节点组成的自我网络进行小批量训练。经过优化后，该系统可以在线性速度下训练高质量的模型，并且在 16 台机器上只需 13 秒完成 100 万节点和 30 亿边数的图的训练。

    Oct, 2020

  • SpectralNet：使用深度神经网络进行谱聚类

    本篇论文提出了一种名为 SpectralNet 的深度学习方法，通过在大量的未标注数据上训练，将输入的数据转换为与其相连的图拉普拉斯矩阵的特征空间的向量，并成功地应用于谱聚类，实现了对谱聚类中可扩展性以及广义化转化的双重突破。

    Jan, 2018

  • DistGNN：大规模图神经网络的可扩展分布式训练

    该论文介绍 DistGNN，它使用共享内存实现 CPU 集群上的完全批量训练，减小了通过最小顶点切割图分区算法通信的要求，使用一系列延迟更新算法避免了通信，并在 Reddit、OGB-Products、OGB-Papers 和 Proteins 等常见 GNN 基准数据集上获得了 3.7 倍到 97 倍的加速。

    Apr, 2021

  • 使用图神经网络进行图聚类

    本文研究使用深度模块网络（DMoN）解决无监督图聚类中图分割困难的问题，通过实验表明 DMoN 对于真实世界的数据集能实现与最优结果强相关的高品质聚类效果，其表现优于其他不同指标的汇聚方法。

    Jun, 2020

  • 图神经网络的深度迭代自适应学习

    本篇研究论文提出了一种端到端图学习框架 ——DIAL-GNN，它能够同时学习图结构和图嵌入，并借助于一种自适应图正则化方法和一种迭代算法来优化图结构和性能，实验表明该方法在转导性和归纳性学习方面取得了不错的表现。

    Dec, 2019

  • 图增强聚类网络

    该研究提出了一种新颖的图增强聚类网络，通过自适应增强初始图的方法，能够实现更好的聚类性能，实验结果表明该方法在六个基准数据集上的表现优于现有的几种先进方法。

    Nov, 2022

  • LSEnet: 洛仑兹结构熵神经网络用于深度图聚类

    图聚类是机器学习中的一个基本问题，本文提出了一种使用图信息理论解决未知聚类数量的图聚类问题的方法，通过最小化可微分的结构信息，构建最优的分区树，其中稠密连接的节点在图中有相同的分配，并且在 Lorentz 模型中设计了神经 LSEnet 将节点特征与结构信息集成，实验证明该方法具有优越性。

    May, 2024

  • DGCLUSTER：一种基于模块化最大化的属性图聚类的神经框架

    通过使用图神经网络优化模块性目标的 DGCluster 方法，我们在多个领域中进行图聚类，取得了显著的性能提升。

    Dec, 2023

  • 深图信息最大化

    Deep Graph Infomax 提出了用于无监督学习图结构数据中节点表示的一般方法，可用于节点分类任务，并且相比大多数先前的方法，不依赖于随机游走目标。

    Sep, 2018

  • DeepCut：基于图神经网络聚类的无监督分割

    该研究提出了一种基于图神经网络的图像分割方法，相较于现有方法可以隐式地完成部件语义分割，用于目标定位、分割和语义部件分割任务并在多个基准测试中取得了最先进的表现。

    Dec, 2022