.png){kind=icon}
返回
Multigranularity Deep Graph Convolutional Neural Network Node Clustering Leveraging Spatial Information
.png){kind=icon}
PRE
AI
DOI：10.1109/TNNLS.2025.3615830.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在信息爆炸时代，对图结构数据及空图结构数据的聚类分析对于提取数据的内在价值具有重要意义。从空间信息视角来看，空图结构数据与图结构数据本质上属于同类型数据，均包含丰富的空间信息。然而，目前尚无通用聚类方法能够同时处理这两种类型的数据，且适用于空图结构数据的聚类方法较少关注其所含空间信息。与此同时，图卷积神经网络（GCN）在处理图结构数据方面取得了显著进展，但将其应用于空图结构数据仍面临挑战，因为后者缺乏明确的拓扑结构。为解决这些问题，本研究提出了一种利用空间信息的多粒度深度GCN节点聚类方法（CMDGCN）。该方法通过$k$-最近邻（k-nn）算法将空图结构数据转换为图结构数据，并基于特征分割构建多粒度图结构，以扩展网络深度至深层，从而解决了传统GCN模型中网络层次较浅的问题。此外，本研究改进了自表达性原理，确保学习到的相似度矩阵不仅依赖于节点嵌入表示，还融入了图的原有结构信息，生成高质量且可解释的相似度矩阵。进一步地，通过在多个图结构数据集和空图结构数据集上的实验验证，本方法在多项关键指标上优于现有方法，证明了其有效性和鲁棒性。这一成果不仅为图节点聚类提供了新的方法和视角，也为处理空图结构数据提供了新的有效工具。
Keyword:
Deep GCN
(empty) graph-structured data
multigranularity graph structure
node clustering
spatial information
期刊
IF:
8.9
论文数:
7.6K
被引数:
7.2W
机构
引用论文
.png){kind=icon}
MG-GCN: Multi-Granularity Graph Convolutional Neural Network for Multi-Label Classification in Multi-Label Information SystemMg-gcn: 多标签信息系统中多标签分类的多粒度图卷积神经网络
PREAI
分享收藏Community-Centric Graph Convolutional Network for Unsupervised Community Detection用于无监督社区检测的以社区为中心的图卷积网络
OAAI
OAAI分享收藏
查看更多内容