解构多模态图聚类的仲屈制与异质性

多模态图将非结构化的异构数据与结构化的相互关联集成，具有广泛的实际应用价值，但在无监督学习领域仍受到 insufficient 探索。本文旨在桥接这一关键性空白，开启多模态图聚类的研究。通过实证分析，我们观察到现实中的多模态图常呈现混合型邻域模式，即兼具仲屈制与异质性关系。为此，我们提出一种新框架——『解构多模态图聚类 (DMGC)』，该框架将原始混合图分解为两个互补的视图：(1) 仲屈制增强图，捕获跨模态类别一致性；(2) 异质性感知图，保留模态特定的类别间差异。我们引入一种『多模态双频融合』机制，通过双 passes 策略对解构后的图进行滤波，实现有效的多模态集成并缓解类别混淆。进一步的自监督对齐目标无需标签即可指导学习过程。在多模态图和多关系图数据集上进行的广泛实验表明，DMGC 实现了最先进的性能，凸显其在各种场景下的有效性与可扩展性。我们的代码已公开于 https://github.com/Uncnbb/DMGC。