可靠增强下的对比图聚类
摘要：对比学习可学习数据增强的图节点聚类在无监督图学习领域中是一个热门研究领域。现有的方法通过学习预定义增强的采样分布来自动生成数据驱动的增强。尽管已经取得了有希望的聚类性能，但我们观察到这些策略仍然依赖于预定义的增强，增强图的语义容易漂移。不能保证增强视图的可靠语义学习，从而限制了模型的性能。为了解决这些问题，我们提出了一种新颖的可靠增强的CONtrastiVe Graph ClustEring网络（COVERT）。具体而言，在我们的方法中，数据增强通过提出的可逆扰动-恢复网络进行处理。它通过恢复扰动的潜在嵌入来提炼可靠的语义信息。此外，为了进一步保证语义的可靠性，提出了一种新颖的语义损失，通过量化扰动和恢复来约束网络。最后，设计了一个标签匹配机制，通过将语义标签与选定的高置信度聚类伪标签对齐，来指导模型进行聚类信息的学习。在七个数据集上进行了大量的实验结果，证明了该方法的有效性。我们在GitHub上发布了CONVERT的代码和附录，链接为：https://github.com/xihongyang1999/CONVERT。
作者：Xihong Yang, Cheng Tan, Yue Liu, Ke Liang, Siwei Wang, Sihang Zhou, Jun Xia, Stan Z. Li, Xinwang Liu, En Zhu
论文ID：2308.08963
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-21