- 增强属性聚类的图形转换:一种创新的图形转换器方法
本研究引入一种新的方法,将图自编码器与图变压器相结合,称为 GTAGC,以解决传统方法无法捕捉图中节点间复杂全局依赖情况的问题,该方法在基准数据集上表现出卓越性能,展现了图聚类方面的应用前景。
- G$^2$uardFL: 基于归属客户端图聚类的防御联合学习后门攻击方法
G$^2$uardFL 是一种保护性框架,通过使用客户端图聚类技术识别恶意客户端,并采用自适应方法来增强聚合模型和被毒化客户模型之间的差异,从而消除之前嵌入的后门。
- 参数化图聚类和边标记的更快逼近算法
本文提供的是一种关于网络分析的图聚类框架 LambdaCC 的更快更可靠的逼近算法,其依赖于可调节参数的分辨率参数和一种新的参数化边标记问题。
- 图上的转移算子:谱聚类与更多
本文介绍了对图进行簇聚算法及其使用 Koopman 算子和 Perron-Frobenius 算子的谱性质,以及如何使用它们的广义传递算子来提出新的有向图聚类算法。
- IJCAI曲率空间中的对比图聚类
提出了一个新的端到端的对比式图聚类模型 CONGREGATE,通过构建一个理论上的异质曲率空间,并利用基于 Ricci 曲率的几何学图聚类方法,通过对比训练方法,成功地解决了图形聚类中的几何难点,并在真实世界中的图形上取得了最先进的成果。
- ICML超越同质性:重构图形结构进行对图形不可知聚类
本文提出了一种新的图聚类方法,包括三个关键组成部分:图重构、混合滤波器和双图聚类网络。实验结果表明,在 11 个基准图上,该方法在异质图上的表现优于其他方法。
- 使用毫米波雷达稀疏点云进行人类语义分割
本文提出了一种用于毫米波雷达稀疏连续点云的语义分割框架,该框架包括图结构和拓扑特征,全局和顺序特征提取模块,以及更适合的损失函数,实验结果表明,该模型在自定义数据集和基准数据集上表现优异。
- SpectralNet 的随机投影树相似度度量
本研究利用神经网络分离数据内嵌,提出了一种基于 rpTree 相似性度量的 SpectralNet 相似性度量方法来进行图聚类,实验证明,与基于距离度量的 $k$-nn 图相比,基于 rpTrees 的 SpectralNet 能够获得更好 - 深度图聚类的调查:它的分类,挑战和应用
本文是关于深度图聚类的首个全面综述,首先介绍了深度图聚类的定义和基准方法,然后提出基于四种不同标准的深度图聚类方法的分类学。此外,通过对现有工作的仔细分析,总结了来自五个方面的挑战和机遇。最后,介绍了深度图聚类在四个主要领域中的应用,并提供 - 图增强聚类网络
该研究提出了一种新颖的图增强聚类网络,通过自适应增强初始图的方法,能够实现更好的聚类性能,实验结果表明该方法在六个基准数据集上的表现优于现有的几种先进方法。
- 简单对比图聚类
提出一种名为 Simple Contrastive Graph Clustering (SCGC) 的算法,从网络架构、数据增强和目标函数三个方面改进现有方法,通过简单的低通滤波去噪操作和两个多层感知器 (MLPs) 作为骨干网络,通过构建 - 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。
- CVPRRAMA:一种基于 GPU 的快速多割算法
本文提出了一种高度并行化的基于原始 - 对偶算法的方法来解决基于图的聚类问题,通过 GPU 实现,相比于传统的顺序算法在执行速度方面取得了 1-2 个数量级的提升,同时解决了规模为 O (10^8) 的问题。
- 重新思考基于图自编码器的属性图聚类模型
为了解决图聚类中的关键问题:特性随机性和特性漂移,本文提出了一种 GAE 聚类方法,并提出采样和操作符,以提高聚类效果和鲁棒性。
- KDD基于模板的图聚类
提出了一种由附加信息引导的新颖图聚类方法,将问题形式化为将观察到的图的 n 个顶点(要聚类)与 k 个顶点的模板图匹配,使用其边缘作为支持信息,并在正交矩阵集合上放松,易于找到 k 维嵌入。通过编码聚集的密度和他们的关系的相关先验,我们的方 - 非 IID 图上的联邦图分类
该文介绍了一种基于图聚类的联邦学习框架 GCFL,它通过动态发现基于 GNN 梯度的本地系统集群,从而降低本地系统拥有的图的结构和特征异质性。该框架通过动态时间规整设计梯度序列聚类机制(GCFL +),其有效地应用于各种现实世界的图形分类任 - CVPR为多目标跟踪学习提议分类器
本论文提出了一个新颖的基于提议的可学习框架来解决多目标跟踪问题,该框架类似于 Faster RCNN,通过图聚类方法产生跟踪提议,并通过可训练的图卷积网络 GCN 来打分,实验结果表明这种方法在两个公共基准测试上比最先进的方法都有明显的性能 - 狄利克雷图变分自编码器
本研究提出了基于 Dirichlet Graph Variational Autoencoder (DGVAE) 的图聚类成员资格作为潜在因素的方法,以连接基于 VAEs 的图生成和平衡图割,提供了一种理解和改进 VAEs 的图生成内部机制 - ECCV多人姿态估计的可微分分层图分组
本文提出了一种新的人体部分聚类方法,即可学习的分层图聚类 (HGG) 方法,用于底层多人姿态估计任务,并证明该方法可以提高底层姿态估计方法的性能。
- 使用图神经网络进行图聚类
本文研究使用深度模块网络(DMoN)解决无监督图聚类中图分割困难的问题,通过实验表明 DMoN 对于真实世界的数据集能实现与最优结果强相关的高品质聚类效果,其表现优于其他不同指标的汇聚方法。