基于聚类的图表征学习加速
本文综述了在图表示学习领域中，基于深度学习和非线性降维等技术的自动编码图结构为低维向量方法，包括基于矩阵分解、随机游走、图神经网络等方法，并开发了一个统一框架描述这些最新的方法，并为未来的工作提出了一些重要应用和方向。
Sep, 2017
本文提出一种名为 GRAPHEDM 的综合方法，旨在将有标注数据的网络嵌入、基于图的正则化神经网络和图神经网络三者统一起来，构成一种用于学习图表征的完整分类法。通过将现有的30多种算法整合到这一框架中，本方法具有很高的通用性，从而提供了理解这些方法背后的直觉基础，促进了此领域未来研究的发展。
May, 2020
该研究通过使用热核在Gromov-Wasserstein的框架上实现了新的多尺度图比较，提出了一种通过最优输运来解决k-cut图分割问题的新方法，比当前最先进的GWL技术在真实世界网络上表现更佳。
Jun, 2020
提出了一种基于几何的无监督图表示学习方法（G2R），它将节点映射到不同的子空间中，并通过最大程度地减小速率来进行优化，并在各种基准测试中表现出优异的节点分类和社区检测任务性能。
Feb, 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
本研究引入一种新的方法，将图自编码器与图变压器相结合，称为GTAGC，以解决传统方法无法捕捉图中节点间复杂全局依赖情况的问题，该方法在基准数据集上表现出卓越性能，展现了图聚类方面的应用前景。
Jun, 2023
提出了一种基于同质性增强的结构学习方法（HoLe），通过两个聚类导向的结构学习模块对图结构进行了优化，并通过交替训练同质性增强的结构学习和基于GNN的聚类来实现它们的相互作用，在多个基准数据集上证明了其优越性。
Aug, 2023
本研究探讨了模块性最大化方法在图聚类中的潜在成功，将模块性最大化与图对比学习联系起来，提出了一种基于社区感知的图聚类框架 MAGI，通过利用模块性最大化作为对比预训练任务来有效地揭示图中社区的潜在信息，同时避免了语义漂移问题。广泛实验证实了 MAGI 在多个图数据集上的可扩展性和聚类性能，表现优于现有的图聚类方法，并且在大规模图上具有优越的性能。
Jun, 2024
本研究解决了现有对比图聚类方法在节点相似性探索上的不足，提出了一种新颖的框架NS4GC，通过引入可靠的节点相似性矩阵以指导表示学习。该方法有效反映了节点之间的语义关系，并在多个真实世界数据集上验证了其卓越的聚类性能。
Aug, 2024