图聚类相关 AI 资讯 · AI 热点

8月5日

11:18

11:18

官方账号arXiv cs.LG@Nelson Aloysio Reis de Almeida Passos, Emanuele Carlini, Salvatore Trani

该论文从原理、原语、池化三个视角分析时间图上的聚类问题，连接图学习与社区检测的谱理论基础。研究表明，在节点属性缺失或较弱时，基于谱聚类和多层模块度优化的传统算法仍是更合适的选择，主要瓶颈是可扩展性而非精度。当结构、时间与属性信号对齐时，图神经网络模型优势更明显。作者通过GPU加速的时间后端使谱聚类等原语具备可扩展性，并提出将社区检测作为时间图池化算子的路线。

论文时间图图聚类图神经网络

推荐理由：这篇 arXiv 论文把图神经网络和传统聚类算法掰开对比，结论很实在：没属性时谱聚类更靠谱，还给出了 GPU 加速的池化思路。

6月12日

13:45

13:45

官方账号arXiv cs.LG@Rodrigo de Sapienza Luna, Daniel Ratton Figueiredo

该研究提出了一种基于图神经网络（GNN）和自学习框架的无监督图聚类方法。方法通过多轮自学习迭代，每轮使用GNN生成节点表示并进行聚类，聚类结果影响下一轮的图结构。同时，每轮利用原始图构建上下文图来生成节点表示。实验表明，该方法能同时利用网络边和节点属性信息，在合成数据上优于仅依赖网络或属性的算法。多轮学习持续提升性能，且优于单轮长训练。在真实数据集上，当簇大小平衡时，该方法与现有最优方法竞争力相当。

论文图神经网络图聚类自学习

推荐理由：图聚类是网络分析的基础问题，这项研究解决了同时利用网络结构和节点属性的难题。做社交网络分析、生物网络或推荐系统的研究者，可以关注这个自学习框架带来的性能提升。