基于图神经网络的图聚类
机器学习
2023-06-02 v3 社会与信息网络
机器学习
摘要
图神经网络（GNNs）在许多图分析任务（如节点分类和链接预测）上取得了最先进的结果。然而，图上重要的无监督问题（如图聚类）对GNNs的进展表现出更强的抵抗性。图聚类与GNNs中的节点池化具有相同的整体目标——这是否意味着GNN池化方法能很好地完成图聚类？令人惊讶的是，答案是否定的——当前的GNN池化方法在许多情况下无法恢复聚类结构，而简单的基线方法（如在学习到的表示上应用k-means）却表现良好。我们通过精心设计并开展一组实验来进一步研究图结构和属性数据中不同的信噪比场景。为解决这些方法的聚类性能不佳问题，我们提出Deep Modularity Networks（DMoN），一种受聚类质量模块度度量启发而来的无监督池化方法，并展示其如何应对真实世界图具有挑战性的聚类结构恢复。同样，在真实世界数据上，我们表明DMoN产生了与真实标签强相关的高质量聚类，在不同指标上以超过其他池化方法40%的提升取得了最先进的结果。
引用
@article{arxiv.2006.16904,
title = {Graph Clustering with Graph Neural Networks},
author = {Anton Tsitsulin and John Palowitch and Bryan Perozzi and Emmanuel Müller},
journal= {arXiv preprint arXiv:2006.16904},
year = {2023}
}
备注
JMLR 24(127) 1-21 2023