深度模块化网络及其多样性保持正则化
机器学习
2025-11-04 v2
摘要
图聚类是图表示学习中的关键任务，但往往面临难以实现特征空间多样性的挑战。虽然深度模块化网络（DMoN）利用模块度最大化和坍塌正则化以确保结构分离，但缺乏对特征空间分离、分配分散性和分配置信度控制的显式机制。为此，我们提出具备多样性保持正则化的深度模块化网络（DMoN-DPR），其引入三项新型正则化项：基于距离的用于簇间分离、基于方差的用于每簇分配分散、以及带小正权的分配熵惩罚，逐步鼓励更自信的分配。我们的方法在特征丰富的基准数据集上显著提升了基于标签的聚类指标（双侧 t 检验，），表明在创建有意义且可解释的簇方面，纳入多样性保持正则化的有效性。
引用
@article{arxiv.2501.13451,
title = {Deep Modularity Networks with Diversity-Preserving Regularization},
author = {Yasmin Salehi and Dennis Giannacopoulos},
journal= {arXiv preprint arXiv:2501.13451},
year = {2025}
}
备注
Accepted at the 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: New Perspectives in Graph Machine Learning (NPGML)