Jun, 2024

协同深度图聚类网络

PDF
TL;DR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。
graph neural networksdeep graph clusteringstructure augmentationnode representationssynergistic deep graph clustering network
发现论文，激发创造
  • 结构化深度聚类网络

    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

  • 利用集体结构知识进行图神经网络的数据增强

    本篇研究提出了一种新颖的方法，即综合结构知识增强图神经网络 (CoS-GNN)，通过引入新的消息传递方法，使得图神经网络能够利用丰富的节点和图级结构特征以及原始节点特征，在增强的图结构中大大改善了图神经网络的结构知识建模，从而实现了显著改进的图表示。在大量实证结果中，CoS-GNN 在包括图分类、异常检测和超出分布泛化在内的各种图级学习任务中优于现有的模型。

    May, 2024

  • 基于同质性增强的图聚类结构学习

    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

  • DGNN：属性和图嵌入表示的结构一致性解耦的图神经网络

    通过解耦特征和图信息，提出了一种新的图神经网络框架（Decoupled Graph Neural Networks，DGNN），以获得更全面的节点嵌入表示，并通过在属性和图空间中探索不同的嵌入表示来提高节点分类的性能。

    Jan, 2024

  • 无监督图对比学习中的结构和语义全局知识获取

    本文提出了一种基于结构和语义对比学习算法框架的简单神经网络 - S^3-CL，用于在无监督情况下学习表达具有全局结构和语义的节点特征，通过实验表明与现有的基于 GNN 的无监督 GCL 方法相比，S^3-CL 在不同的下游任务上可以获得优异的表现。

    Feb, 2022

  • 图学习网络：一种结构学习算法

    本文提出了基于图卷积神经网络的 Graph Learning Network 模型，用于解决社区检测、节点分类、链路预测等任务，并能够学习节点嵌入和结构预测函数。该模型能够递归地提高预测结果和嵌入质量。

    May, 2019

  • 深度融合聚类网络

    本文提出了一种深度融合聚类网络（DFCN），采用自编码器和图自编码器进行结构信息的处理并采用可靠的目标分布生成度量和三元自监控策略，以实现交叉模态信息利用，对六个基准数据集的广泛实验表明，DFCN 一致优于现有技术。

    Dec, 2020

  • 层次图胶囊网络

    本文提出了一种称为层次图胶囊网络（HGCN）的创新方法，它可以联合学习节点嵌入和提取图层次结构，通过识别每个节点下的异构因素建立分离的图胶囊，从而表征同一实体的不同属性，并通过显式考虑部件之间的结构信息来表征低层胶囊（部分）和高层胶囊（整体）之间的整体关系。实验结果表明 HGCN 的效果和每个组件的贡献。

    Dec, 2020

  • 基于局部结构的图形对比表示学习

    我们提出了一种局部结构感知的图对比学习方法 (LS-GCL)，用于从多个视角建模节点的结构信息，并且通过多层对比损失函数来优化模型，实验结果表明我们的方法在节点分类和链接预测任务上均优于最先进的图表示学习方法。

    Aug, 2023

  • 简单高效的异构图神经网络

    本论文通过对异构图神经网络（HGNN）中注意力机制、多层结构进行深入研究，提出了 Simple and Efficient Heterogeneous Graph Neural Network（SeHGNN），该方法采用轻量级平均聚合器预先计算邻居聚合以捕获结构信息，采用长元路径和 Transformer 语义融合模块来更好地利用语义信息，结果表明 SeHGNN 具有简单的网络结构、高预测准确性和快速的训练速度。

    Jul, 2022