HyReaL：基于超复数空间表示学习的属性图聚类
机器学习
2026-03-17 v3
摘要
以属性图形式呈现的复杂数据聚类问题日益受到关注，其中强大的图表示是关键前提。然而，已知的过平滑（OS）效应使得图卷积网络倾向于同质化图节点表示，而现有 OS 解决方案侧重于从图拓扑信息层面缓解节点嵌入的同质化，这与属性图聚类目标不符。因此，我们引入超复数空间，运用强大的四元数特征变换来增强属性的表示学习。我们设计了广义的 Hyper-complex space Representation Learning（HyReaL）模型，以实现：1）将任意维数的属性映射到包含四个部分的四元数代数中；2）将学习到的表示连接到更广泛的聚类目标，而无需受限于给定的聚类数 。四元数的新颖引入从两个方面增进了属性图聚类：1）增强的属性耦合学习能力允许复杂属性信息在聚类中得到充分挖掘；2）更强的学习能力使得无需堆叠过多的图卷积层，从而自然缓解了 OS 问题。结果表明，HyReaL 学习的节点表示更具辨识度，适用于不同 值的下游聚类任务。大量实验，包括显著性检验、消融研究、定性结果等，均显示 HyReaL 的优势。
引用
@article{arxiv.2411.14727,
title = {HyReaL: Clustering Attributed Graph via Hyper-Complex Space Representation Learning},
author = {Junyang Chen and Yang Lu and Mengke Li and Cuie Yang and Yiqun Zhang and Yiu-ming Cheung},
journal= {arXiv preprint arXiv:2411.14727},
year = {2026}
}
备注
Accepted to DASFAA 2026