返回
PGC-CSS: A parallel graph clustering framework with collaborative self-supervision
DOI:10.1016/j.knosys.2025.114010.png)
摘要
En 中文
图聚类是数据分析中的一个基础但具有挑战性的任务,旨在根据图拓扑和节点特征将节点划分为连贯的组。近年来,基于图卷积网络(GCN)的深度聚类方法取得了显著成功。然而,大多数现有方法依赖于建立在原始图结构之上的单一学习管线,而该结构常因噪声或不稳定边而被破坏。因此,聚类性能变得不稳定。为解决上述问题,我们提出了一个新颖的并行图聚类框架,称为PGC-CSS。具体而言,我们引入了一种图精炼方法,通过从节点嵌入中揭示隐含的结构模式来缓解原始图中的噪声。精炼后的图随后在并行架构中与原始图集成,通过多图结构的互补建模实现鲁棒且具有判别性的表示学习。此外,我们设计了一个协作自监督模块,结合基于分布和伪标签的自监督策略,引导模型学习最优聚类表示。在六个基准数据集上的广泛实验证明了PGC-CSS在深度属性图聚类中的有效性和优越性。
期刊
K
IF:
7.6
论文数:
1.2W
被引数:
4.5W
机构
暂无机构信息
引用论文
Deep emb e dde d clustering with distribution consistency preservation for attributed networks
PATTERN RECOGNITION
IF7.6
Contrastive graph clustering via enhanced hard sample mining and cluster-guiding基于增强硬样本挖掘和聚类引导的对比图聚类
MULTIMEDIA SYSTEMS
IF3.1

