HeNCler：基于学习非对称相似性的异质性图节点聚类
机器学习
2025-06-25 v2
摘要
在异质性图上进行节点聚类具有挑战性，因为传统方法假设有效聚类 characterized by 节点间的高内聚性和低间聚类连通性。为此，我们提出了HeNCler——一种用于异质性节点聚类的新方法。HeNCler通过优化基于加权核奇异值分解的聚类特定目标，学习相似图。我们的做法使谱聚类能够在非对称相似图上进行，为有向和无向图提供了灵活性。通过直接求解原始问题，我们的方法克服了传统基于邻域划分方法的计算困难。实验结果表明，HeNCler在异质性图设置下显著提高了节点聚类性能，凸显了其非对称图学习框架的优势。
引用
@article{arxiv.2405.17050,
title = {HeNCler: Node Clustering in Heterophilous Graphs via Learned Asymmetric Similarity},
author = {Sonny Achten and Zander Op de Beeck and Francesco Tonin and Volkan Cevher and Johan A. K. Suykens},
journal= {arXiv preprint arXiv:2405.17050},
year = {2025}
}
备注
Accepted at International Conference on Artificial Neural Networks (ICANN 2025), Special Session on Neural Network for Graphs and Beyond