Cross-view structure awareness network for attribute-missing graph clustering

Yingxing Yu

doi:10.1016/j.neucom.2026.134067

Cross-view structure awareness network for attribute-missing graph clustering

2026-05-22

0

PRE

AI

DOI：10.1016/j.neucom.2026.134067

原文链接

摘要

En 中文

属性缺失图聚类：数据分析中一项基础且具有挑战性的任务，旨在当部分节点属性缺失时将节点划分为不同的组。近年来，研究人员提出了多视角图表示学习以执行数据插补，从而在属性缺失图聚类方面取得了显著进展。然而，现有的多视角方法在独立处理每个视角时，未能利用跨视角结构相关性来处理属性缺失的节点。为弥合这一差距，本文提出了跨视角结构感知网络用于属性缺失图聚类（CSAGC）。本质上，CSAGC生成精细化的局部结构模式，从显式和隐式两个角度指导网络优化。具体而言，我们首先生成多个输入视角，然后应用粒度球采样策略将每个视角的属性矩阵划分为自适应数量的粒度球，这些粒度球作为显式跨视角结构感知的局部结构先验。同时，我们设计了一种隐式拓扑监督机制，基于局部结构模式构建的拓扑结构作为自监督信号，从而隐式地指导网络学习更稳定且有利于聚类的图表示。最后，提出了一种新颖的多视角学习方法以最大化局部和全局视角间的一致性。大量实验表明CSAGC在性能上优于当前最优的竞争方法。

Keyword:

attribute-missing graph clustering

multi-view graph representation learning

cross-view structural correlation

granular-ball sampling

self-supervised topology supervision

Cross-view structure awareness network for attribute-missing graph clustering

摘要

期刊

机构

引用论文