Multi-View Attributiertes Graph-Clustering

Das Multi-View-Graph-Clustering wurde in den letzten Jahren intensiv untersucht. Allerdings sind die bestehenden Methoden in zwei Hauptaspekten noch begrenzt. Einerseits können die meisten von ihnen nicht mit Daten umgehen, die sowohl Attribute als auch Graphen enthalten. Heutzutage sind multi-view attributierte Graphdaten allgegenwärtig, und der Bedarf an effektiven Clustering-Methoden wächst. Andererseits sind viele der neuesten Algorithmen entweder flache oder tiefe Modelle. Flache Methoden können ihre Kapazität zur Modellierung komplexer Daten ernsthaft einschränken, während tiefe Ansätze oft eine große Anzahl von Parametern erfordern und in Bezug auf Laufzeit und benötigtem Speicherplatz teuer zu trainieren sind. In diesem Papier schlagen wir ein neuartiges Framework für multi-view attributiertes Graph-Clustering (MAGC) vor, das sowohl Knotenattribute als auch Graphen nutzt. Unsere Neuheit besteht in drei Aspekten. Erstens wenden wir anstelle tiefer neuronaler Netzwerke eine Graphfiltertechnik an, um eine glatte Knotenrepräsentation zu erreichen. Zweitens könnte der ursprüngliche Graph verrauscht oder unvollständig sein und ist daher nicht direkt anwendbar; somit lernen wir einen Konsensgraph aus den Daten unter Berücksichtigung der heterogenen Ansichten. Drittens werden höherwertige Relationen flexibel erforscht, indem ein neuer Regularisierer entworfen wird. Umfangreiche Experimente zeigen die Überlegenheit unserer Methode hinsichtlich Effektivität und Effizienz.