面向图聚类的同配性增强结构学习

图聚类是图分析中的一项基本任务，近来利用图神经网络（GNNs）的进展已展现出令人印象深刻的成果。尽管现有的基于 GNN 的图聚类方法取得了成功，它们往往忽视图结构的质量，而由于真实世界图固有的稀疏与多样特性，这种质量缺陷会导致次优性能。图结构学习可通过添加缺失连边和移除虚假连接来精炼输入图。然而，先前图结构学习的努力主要集中于监督设定，由于缺乏真值标签，无法直接应用于我们特定的聚类任务。为弥补这一差距，我们提出一种称为同配性增强结构学习用于图聚类（HoLe）的新方法。我们的动机源于如下观察：在图结构内微妙地增强同配性程度可显著提升 GNNs 与聚类结果。为实现该目标，我们开发了两种面向聚类的结构学习模块，即层次化相关性估计与簇感知稀疏化。前一模块通过利用来自潜空间与聚类空间的引导，实现更精确的节点对关系估计；后一模块基于相似度矩阵与聚类分配生成稀疏化结构。此外，我们设计了一种在训练同配性增强结构学习与基于 GNN 的聚类之间交替的联合优化方法，从而强化二者的互惠效应。在七种不同类型和规模的基准数据集上、跨一系列聚类指标的大量实验，证明了 HoLe 相对于最先进基线的优越性。