Nov, 2023

学习超球面上的统一簇对深度图聚类

PDF
TL;DR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。
graph clusteringgraph-level clusteringdeep graph-level clusteringuniform deep graph clusteringcluster collapse
发现论文，激发创造
  • 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

  • 用于异常检测的深层图级正交超球压缩

    本文提出了一种新的深度图形异常检测模型，该模型利用亚球形决策边界来通过最大互信息筛选图像特征，进而实现对无监督的异常图形识别

    Feb, 2023

  • 深度对比图学习与聚类导向引导

    基于图卷积网络，提出了深度对比图学习模型（DCGL），用于一般数据聚类。该模型通过建立伪孪生网络，将自编码器与图卷积网络相结合，强调图结构和原始特征，并引入特征级对比学习来增强判别能力，利用样本与质心之间的关系作为聚类导向指引。然后，设计了双分支图学习机制来提取局部和全局结构关系，并在聚类级别对比指导下将其嵌入到统一的图中。在几个基准数据集上的实验结果表明，DCGL 相对于现有算法具有优越性。

    Feb, 2024

  • 使用可微分粗化和最优传输进行图分层抽象的无监督学习

    本文提出一种基于最优传输的无监督流形粗化方法 OTCoarsening，可自适应地将大规模图数据集细化到 “慢动态” 下的适当规模，并在图分类和回归中取得了良好的性能表现。

    Dec, 2019

  • 利用统一和离散二分图学习实现有效的多视角聚类

    本研究提出了一种通过统一和离散的二分图学习的高效多视图聚类方法，该方法采用基于锚点的子空间学习来学习多视图的特定于视图的二分图，并利用二分图融合来学习具有自适应权重学习的视图一致性二分图；同时，还加入拉普拉斯等级约束以确保离散的簇结构，通过将视图特定的二分图学习，视图一致性二分图学习，和离散集群结构学习同时纳入一个统一的目标函数中，设计了一个高效的最小化算法来解决这个优化问题，并且直接实现了离散聚类解决方案。

    Sep, 2022

  • GLCC: 用于图级聚类的通用框架

    本文提出了一种面向多个图形的一般图级聚类框架，名为 GLCC，它使用对比学习技术，包括实例级和聚类级联合优化表示学习，以及使用邻域感知伪标签来奖励优化表示学习的过程。实验证实，GLCC 比其他竞争基线方法表现更好。

    Oct, 2022

  • 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

  • 带最优图的统一谱聚类

    本文提出了一种改进的光谱聚类算法，旨在解决预定义的相似性图可能不是合适的聚类结果，并且传统离散化解决方法与光谱解决方案可能不一致的问题，并引入多核学习来解决如何选择最适合特定数据集的核的应用挑战。实验结果表明，该方法相比于现有的聚类方法具有更好的性能。

    Nov, 2017

  • 双曲图形对比学习的对齐和外壳各向同性

    基于超辐角的对比学习在学习高质量图嵌入中表现良好，通过设计对齐度量和均匀性度量，解决了生态树属性和泊松球边界处的各向同态问题，实验证明了该方法在监督学习和自我监督学习中的有效性。

    Oct, 2023

  • 属性图聚类：深度注意力嵌入方法

    本文提出了一种 DAEGC 算法，该算法通过引入注意力机制和自训练图聚类方法，针对特定聚类任务设计深度学习方法以生成目标图形的嵌入表征。

    Jun, 2019