基于随机游走自监督的可扩展深度图聚类
机器学习
2024-11-21 v2 社会与信息网络
摘要
基于网络的交互常可表示为属性图，此类图中的节点聚类近来备受关注。已有多种方法成功应用了图卷积网络（GCN），但由于 GCN 存在过平滑问题，其精度存在一定局限。尽管其他方法（尤其是基于拉普拉斯平滑的方法）报告了更高的精度，但所有工作的一个根本局限是缺乏可扩展性。本文通过将拉普拉斯平滑与广义 PageRank 相关联，并采用基于随机游走的算法作为可扩展图滤波器，解决了这一开放问题。这构成了我们可扩展深度聚类算法 RwSL 的基础：通过自监督小批量训练机制，我们同时优化用于样本-簇分配分布的深度神经网络和用于聚类导向嵌入的自编码器。使用 6 个真实世界数据集和 6 个聚类指标，我们表明 RwSL 在多个近期基线上取得了改进结果。最值得注意的是，我们表明 RwSL 不同于所有其他深度聚类框架，能够继续扩展到超过一百万节点的图，即处理网络规模。我们还展示了 RwSL 如何仅使用单个 GPU 在具有 18 亿条边的图上执行节点聚类。
引用
@article{arxiv.2112.15530,
title = {Scalable Deep Graph Clustering with Random-walk based Self-supervised Learning},
author = {Xiang Li and Dong Li and Ruoming Jin and Gagan Agrawal and Rajiv Ramnath},
journal= {arXiv preprint arXiv:2112.15530},
year = {2024}
}