CaEGCN：基于交叉注意力融合的增强图卷积网络用于聚类
人工智能
2022-01-10 v1
摘要
凭借深度卷积网络强大的学习能力，深度聚类方法可从个体数据中提取最具判别性的信息并产生更令人满意的聚类结果。然而，现有深度聚类方法通常忽略数据间的关系。幸运的是，图卷积网络可处理此类关系，为深度聚类开辟了新研究方向。本文提出一种基于交叉注意力的深度聚类框架，名为基于交叉注意力融合的增强图卷积网络（CaEGCN），其包含四个主要模块：以逐层方式创新性拼接关联个体内容的 Content Auto-encoder 模块（CAE）与关联数据间关系的 Graph Convolutional Auto-encoder 模块（GAE）的交叉注意力融合模块，以及突出聚类任务判别性信息的自监督模型。交叉注意力融合模块融合两类异质表示，而 CAE 模块为 GAE 模块补充内容信息，从而避免 GCN 的过平滑问题。在 GAE 模块中，提出两种分别重构数据内容与数据间关系的新型损失函数。最后，自监督模块约束 CAE 与 GAE 中间层表示分布的一致性。在不同类型数据集上的实验结果证明了所提 CaEGCN 的优越性与鲁棒性。
引用
@article{arxiv.2101.06883,
title = {CaEGCN: Cross-Attention Fusion based Enhanced Graph Convolutional Network for Clustering},
author = {Guangyu Huo and Yong Zhang and Junbin Gao and Boyue Wang and Yongli Hu and Baocai Yin},
journal= {arXiv preprint arXiv:2101.06883},
year = {2022}
}