基于相似性增强的多视角异质性图聚类的 SiMilarity-Enhanced Homophily 方法
人工智能
2024-10-07 v1
摘要
随着基于图结构数据的应用日益增长，多视角图聚类在各类下游任务中受到广泛关注。现有方法主要依赖统一的消息传递机制，显著提升了聚类性能。然而，这一机制限制了其在异质性情形下的适用性，由于其基本假设是仲慕性（homophily），即相连节点通常属于同一类别。实际情况中，这一假设并不总是成立；由于图中不可避免的异质性信息，中等或甚至弱仲慕性图比完全仲慕性图更为常见。为此，本文提出一种新的 SiMilarity-Enhanced Homophily for Multi-view Heterophilous Graph Clustering（SMHGC）方法。通过分析相似性与图仲慕性之间的关系，我们提出以无标签方式引入三种相似性项，即邻居模式相似性、节点特征相似性和多视角全局相似性，以增强仲慕性。随后，提出基于共识的跨视角和 intra-view 融合范式，将来自不同视角的改进后仲慕图进行整合并用于聚类。在多视角异质性和仲慕性数据集上的最新方法实验结果均表明，相似性在无监督多视角异质性图学习中具有强大的能力。此外，不同仲慕程度的半合成数据集上的一致性能进一步证明了 SMHGC 对异质性的鲁棒性。
引用
@article{arxiv.2410.03596,
title = {SiMilarity-Enhanced Homophily for Multi-View Heterophilous Graph Clustering},
author = {Jianpeng Chen and Yawen Ling and Yazhou Ren and Zichen Wen and Tianyi Wu and Shufei Zhang and Lifang He},
journal= {arXiv preprint arXiv:2410.03596},
year = {2024}
}