AGC：Attributed Graph Clustering via Adaptive Graph Convolution

自适应图卷积与谱聚类：解决GCN深度限制
最新推荐文章于 2025-12-02 09:09:15 发布
原创 最新推荐文章于 2025-12-02 09:09:15 发布 · 270 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习

本文探讨了GCN在深度受限和局部信息局限下的挑战，提出通过自适应k阶图卷积学习平滑特征，并结合谱聚类捕捉全局信息，以增强模型的表达能力和适应性。

Adaptive：构造k阶图卷积，充当节点特征上的低通图滤波器，以获得平滑的特征表示，其中 k 可以使用簇内距离自适应地选择。

GCN的问题

  • GCN的每个卷积层都与投影层耦合，无法构造深层GCN。
  • 一般使用2~3个GCN，即只能考虑2，3阶邻居，丢失了global信息。
  • 固定模型忽略了真实数据的多样性。

模型

  • 构造k阶图卷积，学习平滑的节点特征表示；
  • 对学习到的节点特征进行谱聚类。
  • 类内距离
    在这里插入图片描述
    类内距离不再减少时，说明阶数k不能再增加。
    在这里插入图片描述

算法

在这里插入图片描述

GCN学习：Attributed Graph Clustering via Adaptive Graph Convolution
weixin_43537073的博客
01-14 1955
阅读论文AGC，利用高阶结构信息来提升聚类的效果。本文从图信号处理角度来理解GNN，增强聚类效果。目标还是将节点划分成m个聚类。 文章目录一、Introduction原理步骤二、算法提到了一些预备条件一阶图卷积 一、Introduction 近年来的几种图卷积的聚类方法在一些真实的属性网络上取得了良好的聚类性能。然而现有方法都是低阶的，只考虑每个节点的邻居，或者两个三个跳之外的节点，固定的图卷积模型忽略了真实的图的多样性，只考虑每个节点几跳之内的邻居，没有利用节点关系，忽略了深度。本文从两方面提出了一种
【论文阅读】Attributed Graph Clustering via Adaptive Graph Convolution（2019 IJCAI）
qq_45721997的博客
03-19 1258
[1] Zhang X , Liu H , Li Q , et al. Attributed Graph Clustering via Adaptive Graph Convolution[J]. 2019. 这篇没看透呢。后面的没有精读下去，公式太多，半懂不懂。 有两个相关链接可以参考。 文章目录Abstract1 Introduction3 The Proposed Method3.1 Problem Formulation3.2 Graph Convolution Abstract 属性图聚类具
(AGC)Attributed Graph Clustering via Adaptive Graph Convolution
qq_16543881的博客
03-30 2117
本文提出了一种自适应图卷积方法(AGC)，该方法利用高阶图卷积来捕获全局的社区结构，并自适应地为不同的图选择合适的顺序。 AGC是从图信号处理谱图理论的角度来理解GNN并增强了聚类效果 AGC可以自适应的选择高阶信息的阶数 AGC包括两个步骤: 进行k阶图卷积，获得平滑的特征表示; 对学习到的特征进行谱聚类，对节点进行聚类。 AGC可以很容易地使用高阶图卷积来捕获全局社区结构，并可以为不同的图选择合适的k值。 图卷积： 图信号可以被表示为向量f=[f(v1),...,f(vn)]f = [f(v_1
论文笔记：2019[IJCAI]Attributed Graph Clustering via Adaptive Graph Convolution
qq_44015059的博客
06-13 1160
前言 此篇博客转载至[https://zhuanlan.zhihu.com/p/114452245] (https://zhuanlan.zhihu.com/p/114452245) Motivation 本文利用了高阶结构信息(多层GNN)来提升聚类的效果.尽管这两篇非常相似,它们也是有一些差异的: (1) 本文所提出的AGC是从图信号处理谱图理论的角度来理解GNN并增强了聚类效果 (2) 本文所涉及的AGC可以自适应的选择高阶信息的阶数 Model 谱域的图卷积 自适应k选择 现在还剩一个问题需
【GCN】论文笔记：Attributed Graph Clustering via Adaptive Graph Convolution
m0_50611867的博客
01-13 1220
基于自适应图卷积的属性图聚类前言方法介绍总结 前言 属性图聚类是一个具有挑战性的问题，它要求图结构和节点的联合建模属性。虽然图卷积已经被证明在整合结构和特征信息时是非常有效的，但是几乎没有研究说明如何应用它来最大化集群性能。现有的方法基本上都是使用图卷积的固定的（忽略了图的多样性）低阶的（只考虑每个节点几跳内的邻居，没有充分利用节点关系）顺序。在本文中，我们提出了一种自适应的利用高阶图卷积实现属性图聚类的图卷积方法来捕获全局簇结构，并自适应地为不同的图选择合适的顺序。我们对基准测试进行分析和大量实验数据集
IJCAI 19 ： Attributed Graph Clustering via Adaptive Graph Convolution ---- PolyU Qimai Li
qq_40926715的博客
03-28 1627
文章信息 摘要 然而，对于图卷积如何影响聚类性能以及如何正确地使用它来优化不同图的性能的了解有限。现有的方法本质上使用固定的低阶的图卷积，只考虑每个节点几跳内的邻居，没有充分利用节点关系，忽略了图的多样性。 本文提出了一种自适应图卷积方法，该方法利用高阶图卷积来捕获全局聚类结构，并自适应地为不同的图选择合适的顺序。 1. introduction 虽然图卷积在整合结构和特征信息方面被证明非常有效，但关于如何应用于最大化聚类性能的研究很少。大多数现有的方法直接使用GCN作为特征提取器，其中每个卷积层与投影层
快速上手：图聚类入门 Graph Clustering
热门推荐
YoHu人家的博客
07-15 4万+
硕士研究工作基本告一段落了，静候佳音中～最近实习期做的东西还挺有意思，再加上一些别的原因，大概率不会读博了（碎碎念） 其实一直想总结一下近几年的图节点聚类的一些工作，算是一个逗号吧。 个人总结，若有错误欢迎指正。 本文从问题定义入手，再到近几年的工作，最后进行横向对比，并提供一些个人向的future work（俗称画饼），以供参考。 文章目录先验知识聚类图图神经网络图节点聚类 先验知识 这部分介绍一下聚类、图、图神经网络。都掌握的不错的同学可以直接跳过。 聚类 聚类就是在未知标签的前提下，将样本集合分为多个
Multiplex Heterogeneous Graph Learning (related paper reading)
qq_59269283的博客
07-03 822
然而，在某些图上，特别是异质图上，忽略高频信息并仅关注低频信息会阻碍节点表示的学习。：现有的方法采用手动选择元路径的方法，缺乏可解释性，不能学习谱域内任意可异构图滤波器，且在学习滤波器的过程中没有施加约束，导致学习效率降低，补充一个细节，由于不同类型的node的特征维度不同，所以在进行融合之前先对不同的feature X做了MLP统一他们的维度。这篇文章把不同长度meta-path的视图相融合，然后用“多项式”总结这一方法，并且将多项式乘以其转置，确保结果的正定性。具体方法参考于seHGCN（
学术派 | 基于AI的视频精彩度分析技术
爱奇艺技术产品团队
07-10 3420
前 言随着视频数量的爆发式增长，特别是近年来短视频领域的迅速崛起，视频已经成为大部分互联网用户娱乐的首要选择，占据了用户大部分娱乐时间。面对如此海量的视频，如何帮助爱奇艺用户从冗长的视频...
图卷积网络、图神经网络必读论文
知行合一，止于至善
08-24 1万+
文章目录Content[Survey papers](#content)Models[Basic Models](#content)[Graph Types](#content)[Pooling Methods](#content)AnalysisEfficiencyApplicationsPhysics[Chemistry and Biology](#content)[Knowledge Gra...
从图(Graph)到图卷积(Graph Convolution)：漫谈图神经网络模型 (三)
weixin_30493401的博客
09-07 494
本文属于图神经网络的系列文章，文章目录如下： 从图(Graph)到图卷积(Graph Convolution)：漫谈图神经网络模型 (一) 从图(Graph)到图卷积(Graph Convolution)：漫谈图神经网络模型 (二) 从图(Graph)到图卷积(Graph Convolution)：漫谈图神经网络模型 (三) 恭喜你看到了本系列的第三篇！前面两篇博客分别介绍了基于循...
论文理解 Linkage Based Face Clustering via Graph Convolution Network
碧落回雪的博客
08-16 4669
论文理解 Linkage Based Face Clustering via Graph Convolution Network背景要解决的问题基于GCN的人脸图像聚类图卷积层节点合并KNN搜索MxNet复现GCN Layer 背景 其实是利用GCN进行人脸图像聚类 论文：Linkage Based Face Clustering via Graph Convolution Network 作者提...
最新推荐 | 清华NLP图神经网络GNN论文分门别类，16大应用200+篇论文
THU数据派
08-12 7095
来源：专知本文约6200字，建议阅读5分钟。本文总结了清华大学NLP课题组Jie Zhou, Ganqu Cui, Zhengyan Zhang and Yushi Ba...
Language Records of Papers Reading(1)
lance～crazy
07-09 141
Attributed Graph Clustering via Adaptive Graph Convolution Adaptive Graph Convolution：图卷积 joint modelling of graph structures node attributes
【卷积神经网络】卷积层、池化层、全连接层
一杯水果茶！足矣~
11-29 1762
卷积神经网络通过三维输入数据（h×w×c）直接提取特征，相比传统神经网络能更好地保留空间信息。其核心架构包含卷积层、池化层和全连接层，其中只有带权重参数的层（如卷积层和全连接层）计入网络深度。卷积层通过滑动窗口、步长调节、边缘填充和多核设计实现多层次特征提取，小卷积核堆叠既能扩大感受野又能减少参数量。感受野随网络深度递推增长，计算公式为RF_new = RF_prev + (k-1)×S_prev，这种层级结构使浅层提取局部特征，深层捕获全局特征。
深度学习理论推导--多元线性回归
weixin_43719312的博客
12-02 541
本文介绍了多元线性回归的矩阵表示与求解方法。首先通过矩阵运算展示了如何从一元线性回归扩展到多元情形，推导出预测值的矩阵表达式。然后定义了残差平方和(RSS)的矩阵形式。最后详细阐述了利用链式法则对参数求导的过程，说明如何通过最小化残差平方和来求解最优参数。全文以矩阵运算为核心，展示了多元线性回归的简洁数学表达和求解思路。
深度学习理论推导--梯度下降法
最新发布
weixin_43719312的博客
12-02 671
本文通过小猪体重增长的例子，生动解释了梯度下降法的原理。首先回顾线性回归的求解方法（最小二乘法和正规方程），指出非线性问题的局限性。然后以二元函数z=1+x+2y为例，通过微分推导证明：在微观尺度下，当增量方向与梯度方向一致时，函数增长最快。文中详细分析了不同方向上的增量变化，并用向量运算说明梯度方向的重要性。最后指出梯度向量∇z=[1,2]^T即为函数增长最快的方向，为后续讲解梯度下降法奠定了基础。
【动物识别系统】Python+TensorFlow+Django+人工智能+深度学习+卷积神经网络算法
子午的博客
12-01 414
动物识别系统，基于TensorFlow搭建Resnet50卷积神经网络算法，通过对4种常见的动物图片数据集（猫、鸡、马、狗）进行训练，最后得到一个识别精度较高的模型，然后搭建Web可视化操作平台。技术栈项目前端使用Html、CSS、BootStrap搭建界面。后端基于Django处理逻辑请求基于Ajax实现前后端数据通信选题背景与意义在人工智能技术蓬勃发展的当下，动物识别作为计算机视觉领域的重要应用方向，有着广泛的实际需求，如动物保护监测、智能安防等场景均需精准高效的动物识别能力。
深度学习实战（基于pytroch）系列（四十一）长短期记忆（LSTM）pytorch简洁实现
echo的博客
11-29 1079
本文介绍了使用PyTorch简洁实现长短期记忆网络(LSTM)语言模型的方法。首先读取周杰伦歌词数据集并进行预处理，然后定义包含LSTM层和全连接层的RNN模型类，其中LSTM需要同时处理隐藏状态和细胞状态。文章详细展示了模型初始化、预测函数实现以及训练过程，包括梯度裁剪和数据迭代器设计。通过对比手动实现，突出了PyTorch框架在简化LSTM实现方面的优势，为自然语言处理任务提供了高效的解决方案。
Multi-view Attributed Graph Clustering
10-26
由于提供的参考引用中未涉及多视图属性图聚类的内容，下面从专业角度介绍多视图属性图聚类相关信息。 ### 技术原理 多视图属性图聚类旨在结合图结构信息和多视图属性信息，以更准确地对图中的节点进行聚类。其核心...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值