Self-Supervised Graph Embedding Clustering

doi:10.1109/TPAMI.2025.3599185

Self-Supervised Graph Embedding Clustering

2025-08-14

0

PRE

AI

DOI：10.1109/TPAMI.2025.3599185

原文链接

原文求助

摘要

En 中文

流形学习和$K$-means是人工智能领域中两种强大的数据分析技术。当用于标签学习时，一种有前景的策略是直接结合它们并同步优化两个模型。然而，这种方法的一个显著缺点是其代表了简单且粗略的集成，需要优化两个模型中的所有变量，而未实现真正本质的结合。此外，它引入了一个额外的超参数，且无法确保聚类平衡。这些挑战促使我们探索是否可以为降维聚类开发一种有意义的集成。在本文中，我们提出了一种新颖的自监督流形聚类框架，将这两个模型重新表述为一个统一框架，无需额外超参数即可实现降维聚类。具体而言，通过分析$K$-means与流形学习之间的关系，我们构建了一个有意义的低维流形聚类模型，该模型可直接生成数据的标签矩阵。然后利用标签信息指导流形结构的学习，确保流形结构与标签之间的一致性。值得注意的是，我们发现${\ell _{2,p}}$-范数正则化在聚类中具有重要作用：最大化${\ell _{2,p}}$-范数能自然地维持聚类中的类别平衡，并为此性质提供了理论证明。大量的实验结果证明了我们所提模型的有效性。

Keyword:

Clustering

manifold learning

dimensionality reduction

Self-Supervised Graph Embedding Clustering

摘要

期刊

机构

引用论文