用于属性网络聚类的变分共嵌入学习
机器学习
2021-04-16 v1 人工智能
机器学习
摘要
近期属性网络聚类工作利用图卷积获取节点嵌入并同时在嵌入空间上执行聚类分配。这是有效的，因为图卷积结合了结构信息与属性信息用于节点嵌入学习。然而，此类工作的一个主要局限是图卷积仅纳入节点局部邻域的属性信息，却未能利用节点与属性之间的相互亲和性。对此，我们提出一种用于属性网络聚类的变分共嵌入学习模型（VCLANC）。VCLANC 由双变分自编码器组成以同时嵌入节点与属性。基于此，节点与属性间的相互亲和信息可从嵌入空间重建并作为额外的自监督知识用于表示学习。同时，可训练高斯混合模型被用作先验以推断节点聚类分配。为强化推断簇的性能，我们对高斯先验的中心使用互距离损失，并对节点嵌入使用聚类分配硬化损失。在四个真实世界属性网络数据集上的实验结果证明了所提 VCLANC 在属性网络聚类上的有效性。
引用
@article{arxiv.2104.07295,
title = {Variational Co-embedding Learning for Attributed Network Clustering},
author = {Shuiqiao Yang and Sunny Verma and Borui Cai and Jiaojiao Jiang and Kun Yu and Fang Chen and Shui Yu},
journal= {arXiv preprint arXiv:2104.07295},
year = {2021}
}
备注
This manuscript is under review