层次化对比图聚类

《IEEE Transactions on Multimedia》:Hierarchical Contrastive Graph Clustering

【字体: 大 中 小 】 时间:2026年10月21日 来源:IEEE Transactions on Multimedia 9.9

编辑推荐:

   摘要:属性图聚类旨在通过联合建模图拓扑结构和节点属性来发现潜在的社区结构。然而,在现实世界的图中,社区很少是平坦的,通常表现出跨多个尺度的层级组织,其中细粒度的局部组嵌套在粗粒度的全局结构中。这种层级社区自然源于不同阶的图连接性。大多数现有方法依赖单一阶的节点表示,并隐含地

  

摘要:

属性图聚类旨在通过联合建模图拓扑结构和节点属性来发现潜在的社区结构。然而,在现实世界的图中,社区很少是平坦的,通常表现出跨多个尺度的层级组织,其中细粒度的局部组嵌套在粗粒度的全局结构中。这种层级社区自然源于不同阶的图连接性。大多数现有方法依赖单一阶的节点表示,并隐含地假设多尺度或层级语义可以从单一嵌入空间中恢复。尽管有时会引入高阶邻域或层级划分,但它们通常通过迭代传播纠缠或以事后方式构建。因此,尺度特定的结构语义没有被明确保留,导致不稳定或不一致的层级聚类结果。因此,在本工作中,我们从多尺度角度重新审视属性图聚类,并认为层级社区检测从根本上需要明确编码不同阶连接性的节点表示。为此,我们提出了一个名为Hierarchical Contrastive Graph Clustering (HCGC)的统一框架,该框架直接将多尺度结构信息整合到表示学习中。具体而言,我们引入了一种单步多阶拉普拉斯滤波机制,以构建内在的多尺度节点表示,而无需深度递归传播。此外,我们设计了一种层次感知的对比学习目标,以强制不同粒度间的语义一致性。在八个基准上进行了大量实验,以证明HCGC的有效性。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号