Selbstüberwachtes kontrastives Graph-Clustering-Netzwerk über strukturelle Informationsfusion

Das Graph-Clustering, eine klassische Aufgabe im Graph-Learning, beinhaltet die Partitionierung der Knoten eines Graphen in unterschiedliche Cluster. Diese Aufgabe hat Anwendung in verschiedenen realen Szenarien, wie Anomalieerkennung, Analyse sozialer Netzwerke und Entdeckung von Gemeinschaften. Aktuelle Methoden des Graph-Clustering verlassen sich häufig auf Modul-Pre-Training, um eine zuverlässige Priorverteilung für das Modell zu erhalten, die dann als Optimierungsziel verwendet wird. Diese Methoden übersehen jedoch oft tiefere überwachte Signale, was zu suboptimaler Zuverlässigkeit der Priorverteilung führt. Um dieses Problem anzugehen, schlagen wir eine neuartige Methode des tiefen Graph-Clustering vor, die CGCN genannt wird. Unser Ansatz führt kontrastive Signale und tiefe strukturelle Informationen in den Pre-Training-Prozess ein. Konkret nutzt CGCN einen kontrastiven Lernmechanismus, um die Informationsinteroperabilität zwischen mehreren Modulen zu fördern und ermöglicht es dem Modell, den Grad der Informationsaggregation für unterschiedliche Ordnungsstrukturen adaptiv anzupassen. Unsere CGCN-Methode wurde experimentell an mehreren realen Graph-Datensätzen validiert und zeigt, dass sie in der Lage ist, die Zuverlässigkeit der durch Pre-Training erlangten Clusterverteilungen zu steigern. Infolgedessen beobachteten wir bemerkenswerte Verbesserungen der Leistung des Modells.