.png){kind=icon}
返回
DDGC: A diffusion-based approach for dynamic graph clustering
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2025.108335.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种基于扩散模型的动态图聚类方法，以解决图结构演化（其中新节点可能属于未知类别）的挑战。现有深度图聚类方法在静态图上表现优异，但在处理图拓扑和节点类别随时间演化的动态场景时失效。此外，少数现有动态图聚类方法探讨少数类样本与动态类别增长共存的复杂设定。本文方法将图卷积网络（GCN）与扩散模型相结合，利用嵌入空间中的数据密度波动为无监督学习分配伪标签。具体而言，我们通过引入核密度估计和Tweedie公式扩展扩散模型，以指导低密度区域的密度正则化，从而提升新类别识别的准确性。该方法还引导数据向高密度区域收敛，从而在弱密度变化下改善模型性能和鲁棒性。在基准数据集上的实验结果表明，本文方法在动态图聚类任务中优于现有最佳基线，特别是在涉及新兴未知类别的场景中。所提出的框架实现了自适应类别发现和样本增强，在静态与演化图环境中均表现出鲁棒性能。本研究弥合了传统静态图聚类与现实动态应用之间的差距，为在线图理解提供了一种模块化解决方案。
