基于K-means损失的无监督图注意力自编码器用于属性网络
计算与语言
2023-12-19 v2 人工智能
摘要
诸多自然现象与复杂系统常表示为网络。发现其社区结构乃理解这些网络的基本任务。已有众多算法被提出，但近来图神经网络（GNN）已成为提升该任务的有力途径。本文中，我们引入一种简单、高效且面向聚类的模型，基于无监督图注意力自编码器用于属性网络社区发现（GAECO）。所提模型善于从网络拓扑与属性信息中学习表示，同时达成重建与社区发现双重目标。其特别强调通过稳健最小化聚类误差来发现紧凑社区。模型采用k-means作为目标函数，并利用多头图注意力自编码器解码表示。在三个属性网络数据集上的实验表明，我们的方法在NMI与ARI上超越最先进算法。此外，我们的方法随网络规模有效扩展，适用于大规模应用。我们的发现意义超越生物网络解释与社交网络分析，而其中基础社区结构知识至关重要。
引用
@article{arxiv.2311.12986,
title = {Unsupervised Graph Attention Autoencoder for Attributed Networks using K-means Loss},
author = {Abdelfateh Bekkair and Slimane Bellaouar and Slimane Oulad-Naoui},
journal= {arXiv preprint arXiv:2311.12986},
year = {2023}
}
备注
7 pages, 5 Figures