每个节点都不同：动态融合自监督任务以实现属性图聚类
机器学习
2024-01-15 v1 人工智能
摘要
属性图聚类是一项将节点划分为不同组的无监督任务。自监督学习（SSL）在处理此任务方面展现出巨大潜力，近期一些研究同时学习多个 SSL 任务以进一步提升性能。目前，不同的 SSL 任务对所有图节点分配相同的权重集。然而，我们观察到，一些邻居属于不同组的图节点对 SSL 任务的需求显著不同。本文提出动态学习不同节点的 SSL 任务权重，并融合从不同 SSL 任务学到的嵌入以提升性能。我们设计了一种创新的图聚类方法，即动态融合自监督学习（DyFSS）。具体而言，DyFSS 使用从门控网络导出的不同权重来融合从多种 SSL 任务提取的特征。为有效学习门控网络，我们设计了一种结合伪标签与图结构的双层自监督策略。在五个数据集上的大量实验表明，DyFSS 在准确率指标上优于最先进的多任务 SSL 方法，提升幅度高达 8.66%。DyFSS 代码见：https://github.com/q086/DyFSS。
引用
@article{arxiv.2401.06595,
title = {Every Node is Different: Dynamically Fusing Self-Supervised Tasks for Attributed Graph Clustering},
author = {Pengfei Zhu and Qian Wang and Yu Wang and Jialu Li and Qinghua Hu},
journal= {arXiv preprint arXiv:2401.06595},
year = {2024}
}