ASIL：双曲空间中用于深度图聚类的增强结构信息学习
机器学习
2026-02-03 v2
摘要
图聚类是机器学习中一个长期存在的课题。近年来，深度方法取得了成果，但仍需要预定义聚类数K，并且难以处理不平衡图。我们通过结构信息理论研究无需K的深度图聚类，考虑现实中的不平衡性。在文献中，结构信息很少用于深度聚类，其经典的离散定义忽略了节点属性且复杂度极高。在本文中，我们建立了一个可微的结构信息框架，将离散形式推广到连续领域。我们设计了一个双曲模型(LSEnet)来学习Lorentz模型中的神经划分树。理论上，我们证明了其在无需K的情况下进行聚类以及识别少数聚类的能力。其次，我们精炼双曲表示以增强图语义。由于树对比学习非平凡且具有二次复杂度，我们通过发现结构熵界定了树对比损失来推进理论。最后，我们通过一种新颖的增强结构信息学习(ASIL)来处理图聚类，该学习提供了一个高效的目标来整合双曲划分树构建和对比学习。通过可证明的图电导改进，ASIL以线性复杂度实现了有效的去偏图聚类。大量实验表明，ASIL在Citeseer数据集上的NMI平均超过20个强基线+12.42%。
引用
@article{arxiv.2504.09970,
title = {ASIL: Augmented Structural Information Learning for Deep Graph Clustering in Hyperbolic Space},
author = {Li Sun and Zhenhao Huang and Yujie Wang and Hongbo Lv and Chunyang Liu and Hao Peng and Philip S. Yu},
journal= {arXiv preprint arXiv:2504.09970},
year = {2026}
}
备注
Accepted by IEEE TPAMI, 36 pages