Oct, 2023

M3C：混合图匹配与聚类的收敛、灵活和无监督学习框架

PDF
TL;DR本文提出了一种基于 Minorize-Maximization 框架的无监督学习算法 M3C，它通过放松聚类来提供增强的灵活性，并结合了边缘亲和力学习和伪标签选择的 UM3C 模型，在公共基准测试中证明了其在精度和效率上优于当前最先进的图匹配和混合图匹配聚类方法。
发现论文，激发创造
  • 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

  • 跨视图结构匹配的非配对多视图图聚类

    提出了一种新的无参数图聚类框架，名为 Unpaired Multi-view Graph Clustering framework with Cross-View Structure Matching (UPMGC-SM)，可以有效地处理多视角数据中的数据未配对问题，并能够增强现有的图聚类方法在未配对情景下的能力。

    Jul, 2023

  • 少标签图上的图卷积网络多阶段自监督学习

    本文提出了一种名为 M3S 的多阶段自监督 (GCNs) 训练算法，该算法利用自监督学习方法，旨在提高 GCN 在缺乏标记节点的图上的泛化性能。实验结果表明，相比其他现有方法，我们的算法在不同标签率下表现出卓越的性能。

    Feb, 2019

  • 无监督多层次图学习中的补充和一致信息

    我们提出了一种有效且高效的无监督多层次图学习方法，通过使用多个 MLP 编码器进行表示学习来处理样本外问题，并通过最大化多个节点表示的相关性来处理噪声问题。

    Aug, 2023

  • 多图偏配网络的学习宇宙模型

    本文考虑了两个或多个图的部分匹配问题，采用了宇宙匹配方案，对内部匹配和异常点检测进行了建模，并且能够处理在线匹配、混合图匹配等情况，实验结果表明了方法的最先进性。

    Oct, 2022

  • MiCE: 无监督图像聚类的对比性专家混合

    MiCE 是一种可扩展的聚类框架，它同时利用了对比学习学习到的有区别的表示和混合模型捕捉的语义结构，通过 gating function 将一个未标记的数据集划分为子集，并使用多个专家以对比学习的方式区分分配给它们的不同子集的实例。我们进一步开发了 MiCE 的 EM 算法，通过实验证明了它在四个自然图像数据集上的性能显著优于以前的各种方法和强有力的对比学习基准。

    May, 2021

  • 稳健的多模态图匹配：稀疏编码遇上图匹配

    研究提出了一种基于稀疏技术的鲁棒图匹配算法，可处理加权或非加权图，也适用于不同类型数据的多模态图，并结合合作式图推理技术解决不同模态数据的一般网络推理问题，并以脑功能磁共振成像数据为例进行了应用与验证。

    Nov, 2013

  • 无配对多视角聚类的多层可靠引导

    我们提出了一种名为 MRG-UMC 的方法，该方法利用多级聚类来学习跨视图、内视图和公共视图的可靠聚类结构，减少聚类错误和不确定性。

    Jul, 2024

  • EC3：集成学习中聚类和分类的结合

    本文提出了一种新的算法 EC3，将分类和聚类算法结合在一起，支持二元和多类分类，通过在优化函数上的多个分类和多个聚类方法的基础上进行理性组合，证明了问题的凸性和最优性，并采用块坐标下降法求解，实验结果表明该方法在 13 个标准基准数据集上的表现超过其他基准方法，且比最佳基准方法更快、更鲁棒。

    Aug, 2017

  • 使用增强图卷积网络的多标签持续学习

    提出增强图卷积网络（AGCN++）并使用部分标签编码器（PLE）对多标签连续学习（MLCL）进行跨任务标签关系构建、避免灾难性遗忘等处理，实验结果表明该方法是有效的。

    Nov, 2022