.png){kind=icon}
返回
Prototype based contrastive graph clustering network for reducing false negatives
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-87142-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
对比图聚类方法通过利用多视角增强和对比损失，显著提升了图数据的聚类性能。特别是，自监督图对比学习（SS-GCL）因其对标注数据依赖较低而受到关注。然而，SS-GCL方法通常依赖伪标签将样本分类为正负样本对，这可能导致假阴性并降低聚类性能。为解决此问题，提出了一种原型驱动的对比图聚类网络。该网络使用原型作为数据驱动的聚类中心，形成高置信度样本集，同时丢弃边界样本并将剩余样本聚合到增强嵌入中。此外，设计了一种跨视角解耦的对比学习机制，利用仅基于正样本的均方误差对比损失函数。该机制对增强的正样本嵌入进行跨视角对齐计算，有效防止了假阴性样本的产生。实验结果表明，所提出的方法在多个数据集上，无论在准确率还是聚类效果方面，均优于当前的最优基线方法。
期刊
IF:
3.9
论文数:
28.2W
被引数:
83.5W
机构
引用论文
.png){kind=icon}
查看更多内容