可扩展和自适应谱嵌入用于属性图聚类

Aug, 2024

可扩展和自适应谱嵌入用于属性图聚类

Scalable and Adaptive Spectral Embedding for Attributed Graph Clustering

Yunhui Liu, Tieke He, Qing Wu, Tao Zheng, Jianhua Zhao

TL;DR本研究针对现有属性图聚类方法在大规模图上的高计算成本和内存使用问题，提出了一种无需参数学习的简单聚类方法——可扩展和自适应谱嵌入（SASE）。SASE通过平滑节点特征、使用随机傅里叶特征进行可扩展谱聚类以及自适应选择顺序，有效捕捉全局聚类结构，并在图大小上表现出线性时间和空间复杂度。实验证明，SASE在处理大规模数据集时显著提高了准确率和速度。

Abstract

Attributed Graph Clustering, which aims to group the nodes of an attributed graph into disjoint clusters, has made promising advancements in recent years. However, most existing methods face challenges when applied to large graphs due to the expensive computational cost and high memory

发现论文，激发创造

自适应图卷积的归属图聚类

本文提出了一种自适应图卷积方法来处理带属性的图聚类问题，该方法利用高阶图卷积来捕获全局聚类结构，并针对不同的图自适应地选择适当的阶数，而实验结果表明，该方法与现有的最先进方法相媲美。

Jun, 2019

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

GraphZoom: 一种多层谱方法，用于精确和可伸缩的图嵌入

本文介绍了一种名为GraphZoom的多层框架，旨在提高无监督图嵌入算法的准确性和可扩展性。该方法利用节点属性和图拓扑信息进行图合并，并通过多次缩小并简化合并的图，将现有嵌入方法应用于合并后的图，从而在多种图数据集上达到更高的分类准确性和更快的处理速度。

Oct, 2019

分布式草图缩放图聚类

该研究使用基于矩阵草图的方法来解决在大规模图分析中传统方法遇到的挑战，尤其是无监督学习的社区结构划分问题，实验表明该方法在分配内存中可以获得出色的聚类效果，同时提高了聚类速度。

Jul, 2020

谱聚类的更紧密分析，以及更多

本研究针对典型的谱聚类算法，探讨在一些较弱条件下其性能为何，还研究了利用少于k个特征向量进行嵌入的谱聚类，实验表明在合成和真实数据上，使用少于k个特征向量时，谱聚类也能够产生相当或更好的结果。

Aug, 2022

谱聚类和SpectralNet的无参数图缩减

本研究提出了一种不需要参数调整的图缩减方法来构建适用于谱聚类和SpectralNet的图，通过邻域密度和相似度过滤，实现了高效的聚类检测。

Feb, 2023

基于聚类的图表征学习加速

本文提出一种聚类学习框架CARL-G，使用Cluster Validation Indices（CVI）衡量质量，适用于不同的聚类方法，相对于基线提高了79倍的训练速度，并在节点聚类和相似性搜索任务中表现出色。

Jun, 2023

理论与实践中的快速简单谱聚类

本研究提出了一种基于顶点嵌入的简单谱聚类算法，通过幂法计算的向量，在接近线性时间内计算顶点嵌入，并在输入图形的自然假设下，算法能够可靠地恢复出真实聚类结果。通过在多个合成和现实世界数据集上的评估发现，该算法与其他聚类算法相比，具有显著更快的速度，并且产生的聚类准确度基本相同。

Oct, 2023

属性多关系图的谱聚类

提出了一种针对属性和多关系网络的联合降维技术SpectralMix，该方法通过综合利用属性、关系类型和图结构的信息，实现对聚类结果的解释，并在实际数据集上展现了其优越性。

Nov, 2023

通过粗化辅助的一致属性图聚类

该论文提出了一种集成粗化和模块化最大化的方法，通过有效利用邻接性和节点特征提高聚类准确性，从而在图聚类中克服了当前方法在捕捉真实社区结构和集群内关系、计算效率和识别较小社区方面存在的困难。

Jul, 2024