One Node One Model: 针对图聚类的缺失半部分进行特征化

大多数现有图聚类方法主要关注利用拓扑结构，往往忽略了节点特征的“缺失半部分”信息，尤其是这些特征如何能提升聚类性能。这一问题在高维特征下更为突出。图聚类中的特征选择尤为困难，因为需要同时发现簇并识别这些簇的相关特征。为此，我们提出一种新范式，即“每个节点一个模型”，为每个节点构建独立模型，并将节点标签定义为对节点簇预测结果的组合。具体而言，提出的“特征个性化图聚类（FPGC）”方法利用 squeeze-and-excitation 块为每个节点识别聚类相关特征，将这些特征整合到每个模型中以形成最终表征。此外，我们发展了特征交叉概念作为数据增强技术，以学习低阶特征交互。大量实验表明，FPGC 优于当前最先进的聚类方法。此外，我们方法的即插即用特性提供了一种从特征角度增强图神经网络模型的通用方案。