.png){kind=icon}
返回
Prototype-Driven Multi-View Attribute-Missing Graph Clustering
.png){kind=icon}
PRE
AI
DOI：10.1109/TMM.2025.3613153.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
属性缺失的深度图聚类，旨在以无监督方式将具有部分属性缺失样本的图节点划分为不同类别，已获得显著关注。然而，大多数现有研究至少存在以下问题之一：1）很少利用多样的聚类结构信息来促进非欧几里得数据的插补和优化聚类模式；2）忽视了多样信息对特征插补和表示提取的积极作用，导致缺失特征估计次优和聚类性能较差。为解决这些问题，我们提出了一种新颖的**原型驱动多视角属性缺失图聚类（PMAGC）**模型，该模型利用丰富的结构和多样信息来辅助缺失属性的插补和聚类友好特征的学习。具体而言，我们设计了一个多视角增强模块，提取属性完整的样本作为节点视角，并使用特征预插补和边掩码技术构建特征和边视角。然后，在聚类伪标签的引导下，我们促进属性缺失样本与属性完整样本的原型在特征空间中的接近度。因此，PMAGC巧妙地利用聚类结构信息和可靠的属性完整样本数据来辅助特征插补。此外，我们设计了一种基于原型的对比损失，将同一集群内不同视角的原型视为正样本，而将其他视为负样本。因此，优化的特征能够更准确地指导属性学习过程。在六个具有缺失属性的图数据集上进行了大量实验，以验证所提出的PMAGC的有效性。
Keyword:
Attribute-missing graph
deep graph clustering
feature completion
multi-view clustering
期刊
IF:
9.7
论文数:
4.6K
被引数:
2.4W
机构
引用论文
.png){kind=icon}
SARF: Aliasing Relation-Assisted Self-Supervised Learning for Few-Shot Relation ReasoningSARF: 用于少镜头关系推理的混叠关系辅助自监督学习
OAAI
OAAI分享收藏
查看更多内容