基于深度结构熵的无监督图聚类
机器学习
2025-05-21 v1
摘要
图结构学习（GSL）研究为图基聚类提供了关键见解，但当前方法如图神经网络（GNN）、图注意力网络（GAT）和对比学习往往严重依赖原始图结构。当原始图的邻接矩阵过稀疏或包含与聚类无关的噪声边时，其性能会恶化。此外，这些方法依赖学习节点嵌入并使用 k-means 等传统技术形成聚类，可能无法充分捕捉节点之间底层图结构。为克服这些限制，本文引入 DeSE，一种集成深度结构熵的新型无监督图聚类框架。它通过量化结构信息和深度神经网络来增强原始图并形成聚类。具体而言，本文首先提出了一种带软分配的结构熵计算方法，将结构以可微形式量化。随后，我们设计了结构学习层（SLL），用于从原始特征数据生成带属性图，作为增强和优化原始结构图的目标，从而缓解节点之间稀疏连接的问题。最后，我们的聚类分配方法（ASS），基于 GNN，学习节点嵌入和软分配矩阵，以增强图上的聚类。ASS 层可以堆叠以满足下游任务需求，最小化结构熵以实现稳定聚类，最大化节点与基于边的交叉熵损失的一致性。对四个基准数据集进行大规模比较实验，针对八个代表性无监督图聚类基线，显示了 DeSE 在有效性和可解释性方面的优势。
引用
@article{arxiv.2505.14040,
title = {Unsupervised Graph Clustering with Deep Structural Entropy},
author = {Jingyun Zhang and Hao Peng and Li Sun and Guanlin Wu and Chunyang Liu and Zhengtao Yu},
journal= {arXiv preprint arXiv:2505.14040},
year = {2025}
}
备注
Accepted to Proceedings of the ACM SIGKDD Conference on Knowledge Discovery and Data Mining 2025 (KDD 2025). 13 pages, 10 figures, 11 tables