属性图聚类的 Tri-Learn 图融合网络
机器学习
2025-07-23 v2
摘要
近年来，基于图卷积网络（GCN）的模型在图数据分析领域取得了显著进展。然而，面对大规模和复杂图数据集，仍存在过平滑和过压缩等挑战，导致聚类质量下降。虽然图转换器架构已缓解了部分问题，但在处理异构图数据时性能仍有限。为此，本研究提出一种新型深度聚类框架，集成了GCN、自动编码器（AE）和图转换器，称为 Tri-Learn 图融合网络（Tri-GFN）。该框架通过独特的 tri-learn 机制和特征融合增强策略，提高了全局和局部信息的区分度和一致性。该框架整合GCN、AE和图转换器模块，这些组件通过三通道增强模块精细融合，最大化地利用节点属性和拓扑结构，确保稳健的聚类表示。tri-learn 机制允许这些模块之间进行相互学习，而特征融合策略使模型能够捕获复杂关系，为图聚类生成高度判别性表示。该方法在ACM数据集上实现了约0.87%的准确率提升，在Reuters数据集上提升了14.14%，在USPS数据集上提升了7.58%。由于在Reuters数据集上的卓越性能，Tri-GFN可应用于自动新闻分类、主题检索等相关领域。
引用
@article{arxiv.2507.13620,
title = {Tri-Learn Graph Fusion Network for Attributed Graph Clustering},
author = {Binxiong Li and Xu Xiang and Xue Li and Binyu Zhao and Heyang Gao and Qinyu Zhao},
journal= {arXiv preprint arXiv:2507.13620},
year = {2025}
}
备注
The source code for this study is available at https://github.com/YF-W/Tri-GFN