SynC: 结构与表示协同增强的深度图聚类
机器学习
2026-05-19 v2 人工智能
摘要
利用图神经网络进行图聚类在深度图聚类中已展现出令人鼓舞的结果。然而，现有方法忽视了表示学习与结构增强之间的互惠关系：图越同质，节点表示越内聚；节点表示越内聚，结构增强越可靠。此外，现有基于GNN的模型在低同质性图上的泛化能力相对较差。为此，我们提出了一种名为协同深度图聚类网络（SynC）的图聚类框架。SynC采用变换输入图自编码器（TIGAE），通过缓解GAE的表示坍缩问题来获取高质量嵌入，以指导结构增强。然后，我们在精炼后的图上重新捕获邻域表示，以获得利于聚类的嵌入并进行自监督聚类。值得注意的是，这两个阶段共享权重，从而在显著减少模型参数数量的同时实现协同增强。此外，我们引入了一种结构微调策略，以提高模型在低同质性图上的泛化能力。在基准数据集上的大量实验证明了SynC的优越性。代码已在GitHub上发布。
引用
@article{arxiv.2406.15797,
title = {$\texttt{SynC}$: Synergistic Boosting of Structure and Representation for Deep Graph Clustering},
author = {Shifei Ding and Benyu Wu and Xiao Xu and Ling Ding and Xindong Wu},
journal= {arXiv preprint arXiv:2406.15797},
year = {2026}
}