改进的对偶相关性缩减网络
计算机视觉与模式识别
2022-02-28 v1 人工智能
机器学习
摘要
深度图聚类旨在无需人工标注的情况下揭示底层图结构并将节点划分到不同簇中，是一项基础且具有挑战性的任务。然而，我们观察到现有方法存在表示坍缩问题，容易将不同类别的样本编码到同一潜在嵌入中。因此，节点的判别能力受限，导致次优的聚类性能。为解决该问题，我们通过提升样本的判别能力，提出了一种称为改进的对偶相关性缩减网络（IDCRN）的新型深度图聚类算法。具体而言，通过使交叉视图特征相关矩阵逼近单位矩阵，我们降低了特征不同维度间的冗余，从而显式地提升潜在空间的判别能力。同时，交叉视图样本相关矩阵被强制逼近所设计的聚类精炼邻接矩阵，以引导学到的潜在表示恢复跨视图的亲和矩阵，从而隐式地增强特征的判别能力。此外，我们通过引入传播正则化项避免了图卷积网络（GCNs）中过平滑问题引起的坍缩表示，使 IDCRN 能够以浅层网络结构捕获长程信息。在六个基准上的大量实验结果证明了 IDCRN 相比现有最先进的深度图聚类算法的有效性与高效性。
引用
@article{arxiv.2202.12533,
title = {Improved Dual Correlation Reduction Network},
author = {Yue Liu and Sihang Zhou and Xinwang Liu and Wenxuan Tu and Xihong Yang},
journal= {arXiv preprint arXiv:2202.12533},
year = {2022}
}