同质性相关：用于多视图图聚类的自适应混合图滤波器

近年来，图数据日益受到关注，多视图图聚类已成为一个热门的研究领域。现有的大多数方法仅适用于同质图，而现实世界中广泛的图数据很难满足同质性假设（即连接的节点倾向于属于同一类别）。多项研究指出，在异质图上的性能不佳实际上是由于传统的图神经网络（GNN）本质上是低通滤波器，丢弃了图上除低频信息之外的信息。然而，在某些图（尤其是异质图）上，忽略高频信息而只关注低频信息会阻碍节点表示的学习。为了打破这一限制，我们的动机是执行与给定图同质度密切相关的图滤波，旨在充分利用低频和高频信号来学习可区分的节点嵌入。在这项工作中，我们提出了用于多视图图聚类的自适应混合图滤波器（AHGFC）。具体来说，首先利用内在节点特征和邻接关系设计图联合过程和图联合聚合矩阵，使得图上的低频和高频信号更加可区分。然后我们设计了一个与同质度相关的自适应混合图滤波器，该滤波器基于图联合聚合矩阵学习节点嵌入。之后，每个视图的节点嵌入被加权融合成一个共识嵌入用于下游任务。实验结果表明，我们提出的模型在包含同质图和异质图的六个数据集上表现良好。