.png){kind=icon}
返回
Cluster-guided graph attention auto-encoder
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-025-06953-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
属性图聚类是分析理解复杂网络的重要工具。近年来，图注意力自编码器已被应用于属性图聚类中，作为一种无监督特征表示学习方法。然而，图注意力自编码器仅学习节点的特征表示，需要使用k-means和谱聚类等传统聚类算法实现节点的最终聚类。在优化过程中，聚类损失无法反馈给自编码器，且提取的特征不一定适合下游聚类任务，因为用于特征学习的自编码器模型与聚类模型相互独立。为克服此问题，我们提出了一种聚类引导的图注意力自编码器（CGATAE），将基于聚类引导的成对特征关系保持的非负矩阵分解模型（FR-NMF）引入图注意力自编码器。CGATAE模型在学习面向聚类的节点特征表示的同时获得最终聚类结果。在五个公开属性图数据集上的实验验证了CGATAE模型的有效性，其聚类质量显著优于原始图注意力自编码器模型。
Keyword:
Graph clustering
Feature representations
Matrix factorization
Graph auto-encoder
Feature relationship preservation
期刊
IF:
2.7
论文数:
1.2K
被引数:
1.0W
机构
暂无机构信息
引用论文
.png){kind=icon}
查看更多内容