双增益驱动的图级聚类网络
机器学习
2025-04-15 v2
摘要
图级聚类是图学习中的一个关键但艰巨的挑战。最近，深度学习与表征学习的集成已展现出显著进展，带来了一定程度的性能提升。然而，现有方法至少存在以下问题之一：1. 原始图结构存在噪声，以及2. 在特征传播和池化过程中，噪声通过信息传播逐渐聚合到图级嵌入中。 Consequently，这两个限制掩盖了聚类友好的信息，导致图级聚类性能次优。为此，我们提出一种新的双增益驱动的图级聚类网络 (DBGCN)，在统一框架内交替推动图级聚类并过滤干扰信息。具体而言，在池化步骤中，我们评估全局特征的贡献，并通过可学习的变换矩阵对其进行优化，以获得高质量的图级表征，从而 improved 模型的推理能力。此外，为实现可靠的图级聚类，我们首先识别并抑制有害信息，通过评估图级表征之间的相似性，为多视角融合提供更准确的指导。广泛的实验表明，DBGCN 在六个基准数据集上优于最新的图级聚类方法。
引用
@article{arxiv.2504.05670,
title = {Dual Boost-Driven Graph-Level Clustering Network},
author = {John Smith and Wenxuan Tu and Junlong Wu and Wenxin Zhang and Jingxin Liu and Haotian Wang and Jieren Cheng and Huajie Lei and Guangzhen Yao and Lingren Wang and Mengfei Li and Renda Han and Yu Li},
journal= {arXiv preprint arXiv:2504.05670},
year = {2025}
}
备注
Since I did not obtain the consent of all authors and provided this version to the arxiv community without authorization, I request to withdraw the manuscript