论文笔记:2019[IJCAI]Attributed Graph Clustering via Adaptive Graph Convolution

前言

此篇博客转载至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

论文笔记:2019[IJCAI]Attributed Graph Clustering via Adaptive Graph Convolution_第1张图片
论文笔记:2019[IJCAI]Attributed Graph Clustering via Adaptive Graph Convolution_第2张图片

自适应k选择

现在还剩一个问题需要解决,图卷积的k阶该如何确定?

这里作者用了一个启发式的方法:逐渐增加k, 当类内距离开始变小时,停止搜索. 内类距离如下所示

论文笔记:2019[IJCAI]Attributed Graph Clustering via Adaptive Graph Convolution_第3张图片
可以看出,这里k的选择也是比较符合聚类的要求(类内距离最小,类间距离最大).

算法

论文笔记:2019[IJCAI]Attributed Graph Clustering via Adaptive Graph Convolution_第4张图片

实验

论文笔记:2019[IJCAI]Attributed Graph Clustering via Adaptive Graph Convolution_第5张图片
论文笔记:2019[IJCAI]Attributed Graph Clustering via Adaptive Graph Convolution_第6张图片
论文笔记:2019[IJCAI]Attributed Graph Clustering via Adaptive Graph Convolution_第7张图片

个人总结

论文笔记:2019[IJCAI]Attributed Graph Clustering via Adaptive Graph Convolution_第8张图片
论文笔记:2019[IJCAI]Attributed Graph Clustering via Adaptive Graph Convolution_第9张图片

你可能感兴趣的:(图与生成模型,聚类,算法,机器学习,神经网络,深度学习)