融合高阶结构信息的图聚类
本研究提出了一种新的深层分层图卷积网络 (H-GCN),通过聚合结构相似的节点形成超节点,然后再将粗化的图细化到原始图以恢复每个节点的表达,从而扩大每个节点的感受野,能够获取更多的全局信息,并在各种公共基准测试图数据集上表现出强大的实证性能。
Feb, 2019
通过引入语义 - 结构注意力增强图卷积网络(SSA-GCN),本研究在提取顶点分类性能方面不仅对图结构进行建模,还从无监督特征提取的角度提取通用特征,通过交叉注意力机制整合这些特征,以增强图卷积网络的泛化能力。在 Cora 和 CiteSeer 数据集上的实验证明了我们提出的方法所取得的性能提升,而且在隐私设置下表现出优异的准确性,使其成为图数据分析的坚实有效解决方案。
Mar, 2024
该论文提出了一种结构深度聚类网络(SDCN)方法,它将图卷积网络(GCN)的结构信息整合到深度聚类中,通过自监督学习机制使两种不同的深度神经网络架构统一并指导整个模型更新,进而提高聚类的准确性。
Feb, 2020
本文提出了一种新型 GCNs 模型:自适应多通道图卷积网络 (AM-GCN),以更好地融合和提取节点特征和拓扑结构之间的深度相关信息,并在半监督分类任务上取得了明显的精度提升。
Jul, 2020
本文研究机器学习领域的图半监督学习,提出了基于图卷积网络的深度学习方法,解决了图卷积网络机制不清晰及需要大量标注数据的问题,并针对浅层结构的限制提出了弱监督训练的方法。经过广泛实验验证,研究结果具有实际应用价值。
Jan, 2018
使用图神经网络(GNNs)学习连贯且有区分力的节点表示以进行聚类在深层图聚类中已经显示出了良好的结果。然而,现有方法忽视了表示学习与结构增强之间的相互关系。该研究表明,增强嵌入和结构的协同作用对于释放 GNNs 在深层图聚类中的潜力变得必要。可靠的结构促进获取更连贯的节点表示,而高质量的节点表示可以指导结构的增强,从而提高结构的可靠性。此外,现有基于 GNNs 的模型的泛化能力相对较差。尽管它们在具有高同质性的图上表现良好,但在具有低同质性的图上表现较差。为此,我们提出了一个名为 Synergistic Deep Graph Clustering Network(SynC)的图聚类框架。在我们的方法中,我们设计了一个名为 Transform Input Graph Auto-Encoder(TIGAE)的模型来获取高质量的嵌入,并用于引导结构增强。然后,在增强的图上重新捕捉邻域表示以获得适合聚类的嵌入,并进行自监督聚类。值得注意的是,表示学习和结构增强共享权重,从而大大减少了模型参数的数量。此外,我们引入了一种结构微调策略以提高模型的泛化能力。对基准数据集进行的大量实验证明了我们方法的优越性和有效性。代码已在 GitHub 和 Code Ocean 上发布。
Jun, 2024
提出了一种名为高阶多视角聚类 (HMvC) 的方法,该方法采用图过滤来编码结构信息,扩充了学习到的图,利用自适应图融合机制来实现一致性的分布式图。实验结果显示,在非图和有属性图数据方面,我们的方法在各种现有技术,包括一些深度学习方法方面都表现出优越性能。
Sep, 2022
本文提出了两种无监督自学习策略来利用输入图形结构数据中的可用信息,以进一步改善有限的训练数据下模型的学习能力和性能。该方法在三个公共引文网络数据集上使用两个代表性的 GCN 模型进行了实验验证,展示了其在显著提高特征学习方面的自我监督学习能力和可移植性。
Jun, 2020
研究了利用多尺度分解通过层次拓扑信息的新型体系结构,并通过 Girvan-Newman 层次聚类算法生成了一棵树,使得架构可以学习从粗到细的多尺度潜在空间表示,并在基准引文网络上表现出竞争力。
Jun, 2020
本文提出了一种新的基于几何学聚合的 aggregation 方案,包含三个模块:节点嵌入,结构化邻域和双层聚合,并将其实现到图卷积网络中,命名为 Geom-GCN。在多个开放数据集上的实验结果表明,Proposed Geom-GCN 已经达到了当前状态的最佳性能。
Feb, 2020