ACTGNN：基于合成训练图神经网络的聚类倾向性评估方法

确定数据集中的聚类倾向是基础且具有挑战性的任务，尤其是在噪声或高维环境中，传统方法如Hopkins统计量和视觉聚类倾向性评估(VAT)常常难以产生可靠结果。本文提出了ACTGNN（Assessment of Clustering Tendency with Synthetically-Trained Graph Neural Networks），一种利用数据图表示来评估聚类倾向的框架。节点特征采用局部敏感哈希(LSH)构建，捕获局部邻域信息；边特征则融合多个相似性度量，如径向基函数(RBF)核，来建模成对关系。图神经网络(GNN)仅在合成数据集上进行训练，能够在受控条件下稳健地学习聚类结构。大量实验表明，ACTGNN在合成数据集和真实数据集上均显著优于基线方法，在检测微弱聚类结构方面表现尤为出色，即便在高维或噪声数据环境下亦能稳健工作。我们的结果凸显了该方法的普适性和有效性，使其成为稳健聚类倾向性评估的有前景的工具。