haerxiluo的博客

图聚类的目的是将图中的节点划分为几个不同的簇，这是一项基本但具有挑战性的任务。得益于深度学习强大的表示能力，深度图聚类方法近年来取得了巨大的成功。但相应的调查论文相对匮乏，对这一领域做一个总结迫在眉睫。从这个动机出发，我们对深度图聚类进行了全面的调查。首先，我们介绍了公式化的定义，评价和发展在这一领域。其次，基于四个不同的标准，包括图类型，网络架构，学习范式，和聚类方法的深度图聚类方法的分类。第三，我们仔细分析了现有的方法，通过广泛的实验，总结了挑战和机遇，从五个方面，

对比学习由于其良好的性能最近在深度图聚类中引起了广泛的关注。然而，复杂的数据扩充和耗时的图卷积操作破坏了这些方法的效率。为了解决这个问题，我们提出了一个简单的对比图聚类（SCGC）算法，从网络架构，数据增强，目标函数的角度改善现有的方法。在体系结构上，我们的网络包括两个主要部分，即预处理和网络骨干。一个简单的低通去噪操作进行邻居信息聚合作为一个独立的预处理，只有两个多层感知器（MLP）被包括作为骨干。

对于属性图G，深度图聚类算法旨在将节点分组到不相交的聚类中。具体地，自监督神经网络F如下将G中的节点嵌入到潜在空间中。其中H ∈ R N×d 表示节点嵌入，d是潜在特征的维数。在这里，自监督网络F是用诸如重构任务、对比任务、区分任务等的文本前任务来训练的。除了编码之外，聚类方法C被设计成如下将节点分组到不同的聚类中其中K是聚类的数量，其可以是聚类方法C中的超参数或可学习参数。结果ȳ ∈ R N是聚类分配向量。