超越学术单一文化：面向归因图聚类的统一框架与工业视角
机器学习
2026-03-24 v1
摘要
归因图聚类（AGC）是一种基础的无监督任务，通过联合建模结构拓扑和节点属性将节点划分为紧凑的团块。尽管图神经网络和自监督学习的出现催生了大量AGC方法，但学术基准性能与实际工业部署严苛需求之间仍存在显著鸿沟。为弥合这一差距，本综述提供了来自三个互补视角的全面、工业导向的AGC综述。首先，我们引入Encode-Cluster-Optimize 分类框架，将现存算法体系划分为三个正交、可组合的模块：表示编码、聚类投影和优化策略。这种统一范式使我们能够原则性地进行架构比较，并激发出新方法论的组合创新。其次，我们批判性地审视了现行评估协议，揭示了该领域的学术单一文化：对小规模、同质性引用网络的过度依赖、仅监督性指标不足以评估本质上无监督任务，以及对计算可扩展性的长期忽视。在此基础上，我们主张一种整合监督语义对齐、无监督结构完整性和严格效率轮廓的整体评估标准。最后，我们直面工业部署的实际现实。通过分析规模庞大、强烈异质性以及表格特征噪声等运营约束，并结合来自我们伴随基准的广泛实证证据，我们勾勒出可操作的工程策略。此外，我们绘制了明确的未来研究路线图，优先考虑抗异质性编码器、可扩展联合优化和无监督模型选择标准，以满足生产级要求。
引用
@article{arxiv.2603.20829,
title = {Beyond the Academic Monoculture: A Unified Framework and Industrial Perspective for Attributed Graph Clustering},
author = {Yunhui Liu and Yue Liu and Yongchao Liu and Tao Zheng and Stan Z. Li and Xinwang Liu and Tieke He},
journal= {arXiv preprint arXiv:2603.20829},
year = {2026}
}