Deep Cut-informed Graph Embedding and Clustering
作者: Zhiyuan Ning, Zaitian Wang, Ran Zhang, Ping Xu, Kunpeng Liu, Pengyang Wang, Chong Chen, Pengfei Wang, Yuanchun Zhou, Erik Cambria
发布时间: 2025-03-11
来源: arxiv
研究方向: 图嵌入与聚类
主要内容
该论文提出了一种名为DCGC的深度图嵌入和聚类框架，旨在解决现有基于图神经网络（GNN）的深度图聚类算法中存在的表示崩溃问题。DCGC通过从图切割的角度出发，提出了一种非GNN的图聚类范式，有效融合了图结构和节点属性信息，并利用最优传输理论进行自监督图聚类。
主要贡献
1. 分析了现有GNN-based深度图聚类算法中存在的表示崩溃问题，并将其归因于GNN模型的归纳偏差和聚类引导损失函数。
2. 提出了一种名为DCGC的深度图嵌入和聚类框架，包括切割信息图编码和基于最优传输的自监督图聚类两个模块。
3. 通过最小化原始图和属性图的联合规范化切割，实现了图结构和节点属性信息的融合。
4. 利用最优传输理论进行自监督图聚类，平衡了“靠近预学习聚类中心”的引导，避免了退化解。
5. 在六个具有挑战性的真实世界图数据集上进行了实验，结果表明该方法在性能上优于现有深度图聚类模型。
研究方法
1. 图切割信息编码：通过最小化原始图和属性图的联合规范化切割，融合图结构和节点属性信息。
2. 基于最优传输的自监督图聚类：利用最优传输理论进行自监督图聚类，平衡了“靠近预学习聚类中心”的引导。
3. K-means聚类：用于初始化聚类中心和计算聚类大小。
4. Kullback-Leibler散度损失：用于优化聚类分配。
5. Sinkhorn距离：用于快速优化最优传输问题。
实验结果
在六个具有挑战性的真实世界图数据集上进行了实验，结果表明DCGC在性能上优于现有深度图聚类模型。此外，消融实验也表明DCGC的每个组件都是不可或缺的。
未来工作
未来工作可以包括：研究更可扩展的规范化切割近似方法，以处理更大的数据集；探索半监督技术，以在有限标签的情况下提高性能；处理动态图；以及开发新的节点归纳聚类方法。