.png){kind=icon}
返回
Structure-Enhanced Contrastive Learning for Graph Clustering
.png){kind=icon}
PRE
AI
DOI：10.1109/TNSE.2025.3595737.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图聚类是网络分析中的一个关键任务，具有广泛的应用，其重点是将节点划分为组内连接强于组间连接的不同组。最近，对比学习在图聚类中取得了显著进展。然而，大多数方法存在以下问题：1）过度依赖精心设计的数据增强策略，这可能削弱对比学习的潜力。2）忽视了面向聚类的结构信息，特别是高阶聚类（社区）结构信息，而这些信息可以揭示网络的介观聚类结构信息。本研究引入了结构增强对比学习（SECL），通过利用内在网络结构来解决这些问题。SECL利用交叉视图对比学习机制在不进行繁琐数据增强的情况下增强节点嵌入，采用结构对比学习模块以确保结构一致性，并采用模块度最大化策略来利用面向聚类的信息。这一综合方法产生了鲁棒的节点表示，显著提升了聚类性能。在六个数据集上的广泛实验证实了SECL优于当前的最优方法，表明其在图聚类领域取得了实质性的改进。
Keyword:
Graph clustering
contrastive learning
modularity maximization
期刊
I
IF:
7.9
论文数:
2.6K
被引数:
10.0K
机构
引用论文
Adaptive graph clustering based on feature adversarial and graph transformer基于特征对抗和图Transformer的自适应图聚类
PREAI
分享收藏Integrating Fuzzy Clustering and Graph Convolution Network to Accurately Identify Clusters From Attributed Graph融合模糊聚类和图卷积网络以准确识别属性图中的聚类
PREAI
分享收藏From Louvain to Leiden: guaranteeing well-connected communities从鲁汶到莱顿: 保证良好连接的社区.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
查看更多内容