.png){kind=icon}
返回
Convolution-aware multi-view graph contrastive learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2026.113986.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多视图图对比学习因其能够捕获跨多个不同视图的关系和连接，在复杂图数据挖掘中广受欢迎。然而，现有方法通常存在两个关键局限性。首先，它们在视图构建过程中容易遇到语义漂移问题，因为它们优先考虑结构多样性而非语义保持。其次，不同视图之间的对应关系和一致性往往建模不足。为解决这些问题，本研究提出了一种基于拉普拉斯滤波的卷积感知多视图构建框架，该框架可视为具有可控平滑度的无参数卷积操作。每个滤波步骤生成一个独特的视图，在保持语义一致性的同时融入多跳邻域信息，从而提供多种信息丰富的表示。此外，我们引入了一种高置信度聚类引导对齐机制，以无监督方式增强跨视图一致性。另外，为捕获视图间的潜在关系，我们设计了一种自适应融合方案，整合锚对比和特征融合对比。在广泛使用的属性图数据集上的大量实验表明，所提出的方法始终优于现有方法。源代码可在 https://github.com/StudentTYH/GraphCBV 公开获取。
Keyword:
Graph contrastive learning
Clustering
Convolution
Multi-view
期刊
IF:
7.6
论文数:
1.4W
被引数:
4.5W
机构
引用论文
Full-combination contrastive learning for multi-view clustering用于多视图聚类的全组合对比学习.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏Bring Your Own View: Graph Neural Networks for Link Prediction with Personalized Subgraph Selection
OAAI
OAAI分享收藏
Revisiting Modularity Maximization for Graph Clustering: A Contrastive Learning Perspective重新审视图聚类的模块度最大化：一种对比学习视角OAAI
OAAI分享收藏
查看更多内容