双重信息增强的多视图属性图聚类
人工智能
2022-11-29 v1
摘要
多视图属性图聚类是一种基于来自不同视图的属性特征与邻接矩阵对多视图数据进行划分的重要方法。已有一些利用图神经网络（GNN）的尝试，取得了良好的聚类性能。尽管如此，其中极少有关注多视图中固有的特定信息，同时它们无法从低层表示中恢复潜在的顶层表示，极大限制了下游聚类性能。为弥补这些不足，本文提出一种新颖的双重信息增强多视图属性图聚类（DIAGC）方法。具体而言，该方法引入特定信息重构（SIR）模块，以解耦对多视图中一致信息与特定信息的探索，使 GCN 能捕获更本质的低层表示。此外，互信息最大化（MIM）模块最大化潜在顶层表示与低层表示间的一致性，并借助自监督聚类（SC）模块使顶层表示满足期望的聚类结构。在多个真实基准上的大量实验表明，与最先进的基线相比，所提 DIAGC 方法具有有效性。
引用
@article{arxiv.2211.14987,
title = {Dual Information Enhanced Multi-view Attributed Graph Clustering},
author = {Jia-Qi Lin and Man-Sheng Chen and Xi-Ran Zhu and Chang-Dong Wang and Haizhang Zhang},
journal= {arXiv preprint arXiv:2211.14987},
year = {2022}
}
备注
11 pages, 4 figures