返回
Semi-supervised graph convolutional deep embedded clustering
DOI:10.1007/s10044-025-01548-0.png)
摘要
En 中文
聚类是数据分析中一个重要的研究领域,而半监督聚类作为聚类的一个子类别,因仅需引入少量先验信息即可显著提升性能,已受到广泛关注。近年来,许多研究已将其半监督思想引入各自领域。尽管取得了良好效果,但这些方法在引入附加信息(例如多视图信息)时,大多未能充分利用所给知识挖掘类内相似性,导致性能次优。针对这一情况,我们提出了一种新的半监督图卷积深度嵌入聚类(SGDEC)方法,这是一种单视图算法。具体而言,首先预训练一个由线性层实现的自动编码器网络。在此基础上,我们进一步提出采用图卷积网络(GCN)根据先验成对信息学习数据相似性,并明确潜在变量的训练方向。聚类标签分配和特征表示可通过聚类损失单独优化。与以往仅将成对信息作为神经网络约束的方法不同,该架构能够充分利用成对信息并从中捕获相似性,从而优化整个网络以获得更好的聚类性能。我们在四个常用的图像基准数据集上进行了大量实验,使用相同的学习率集合,结果表明,我们的SGDEC在新的单视图算法上实现了显著改进,甚至优于最新的多视图方法。
Keyword:
Deep embedded clustering
Semi-supervised learning
Pairwise constraints
Graph Convolutional Network
期刊
IF:
2
论文数:
2.0K
被引数:
2.4K
机构
引用论文
An adaptive semi-supervised clustering approach via multiple density-based information
NEUROCOMPUTING
IF6.5
Deep multi-view semi-supervised clustering with sample pairwise constraints具有样本成对约束的深度多视图半监督聚类
NEUROCOMPUTING
IF6.5

