文献阅读（61）NIPS2021-Multi-view Contrastive Graph Clustering

本文是对《Multi-view Contrastive Graph Clustering》一文的浅显翻译与理解，如有侵权即刻删除。

更多相关文章，请移步：
文献阅读总结：多视图聚类

Title

《Multi-view Contrastive Graph Clustering》

——NIPS2021

Author: 潘尔林

总结

作者讲解视频：https://www.bilibili.com/video/BV1UQ4y1m76E?spm_id_from=444.41.0.0

文章引入对比学习思想，在多视图图数据上执行聚类，提出了MCGC方法。该方法可以分为三个模块：图滤波模块用于处理原数据，图学习模块用于从多视图中学到一致图，图对比模块用于提高图的质量。注意到，这三个模块共同构建了损失函数，而全文的优化目标在于从原始图上得到优化后的图，使得聚类效果更理想，而非直接进行多视图聚类。

1 问题定义

给出多视图的图数据G，有G={V,E_1,…,E_v,X^1,…,Xv}，其中V表示节点集，E_v表示视图v的边集，X^v表示视图v的特征集。定义A为邻接矩阵，D为度数矩阵，则视图v上归一化的邻接矩阵A和拉普拉斯矩阵L分别为：

2 图滤波

图滤波作用在于使得图上的信号在相邻点间平滑，即趋于近似值。一定程度上保留了图的拓扑信息，也消除了一些噪声。在此，文章定义了滤波信号H，通过减少H和特征矩阵X的差值完成对图的滤波：

其中s为平衡参数，H可以通过求上式的封闭解得到：

而后，文章保留上式展开式的第一项，并且考虑更高阶的情况，就得到了m阶（m为非负整数）滤波信号的计算公式：

3 图学习

得到滤波信号后，文章对原始图进行滤波处理，得到优化后的图S。对单个视图，S的优化方法如下：

上式考虑到了数据的自表达性质，即每个点都可以通过其他点的组合完成表达。上式前一部分为重构项，后一部分为正则化项。将上述公式扩展为多视图数据的处理上，则有：

相比单视图优化，多视图优化中多出的最后一项是为了自适应地求出每个视图的权重。

4 图对比

对比学习的思想是拉近正样本，推远负例。文章将这种思想引入，进一步对图数据进行优化，可以表示为：

即使得存在边的节点对尽可能接近，没有边的节点间尽可能偏远。最终，对比学习的思想作为正则化项加入到损失函数中：

5 优化

注意到，在上述的损失函数中，存在着两类参数，一类是调节不同视图间权重的λ，一类是优化得到的图矩阵S。在此，文章选择固定一项，优化另一项的方法，对损失函数进行迭代优化。优化得到的图S，再执行经典的k-means聚类方法。文章对优化求导过程做了介绍，在此不再赘述，其算法流程如下。