双优化自适应图重构的多视角图聚类
机器学习
2024-10-31 v1
摘要
多视角聚类是一项重要的机器学习任务，涵盖图像、视频和文本等多种领域。此外，随着图数据的日益丰富，多视角图聚类（MVGC）的重要性已显而易见。大多数现有方法关注图神经网络（GNN），从图结构和特征数据中提取信息以学习可区分的节点表示。然而，传统 GNN 是基于同配图的假设设计的，使其不适合广泛存在的异配图。已引入若干技术来增强 GNN 以处理异配图。虽然这些方法部分缓解了异配图问题，但它们往往忽略了传统 GNN 的优势，如简单性、可解释性和效率。在本文中，我们提出了一种基于双优化自适应图重构的新型多视角图聚类方法 DOAGC。它主要旨在重构适应传统 GNN 的图结构以处理异配图问题，同时保持传统 GNN 的优势。具体而言，我们首先开发了一种考虑节点相关性和原始结构信息的自适应图重构机制。为了进一步优化重构图，我们设计了双优化策略，并通过互信息理论证明了优化策略的可行性。大量实验表明 DOAGC 有效缓解了异配图问题。
引用
@article{arxiv.2410.22983,
title = {Dual-Optimized Adaptive Graph Reconstruction for Multi-View Graph Clustering},
author = {Zichen Wen and Tianyi Wu and Yazhou Ren and Yawen Ling and Chenhang Cui and Xiaorong Pu and Lifang He},
journal= {arXiv preprint arXiv:2410.22983},
year = {2024}
}
备注
Accepted by ACM MM 2024