Multi-View Attribute Graph Convolution Networks for Clustering(IJCAI-20)

本文解决了什么问题？

目前的图神经网络在处理图结构数据时忽略了节点属性和图的重构，无法将可学习的权值分配给邻域中不同的节点，缺乏鲁棒性。

采用了什么方法？

MAGCN采用双编码器，对提取的特征进行高维重构，并融合低维一致性信息。多视图属性图自动编码和一致嵌入编码网络相继降低了噪声和不同视图间的差异，最终得到了多视图属性图的理想描述空间进行聚类。

知识点

非欧几里得数据：它是一类不具有平移不变性的数据。这类数据以其中的一个为节点，其邻居节点的数量可能不同。常见这类数据有知识图谱、社交网络、化学分子结构等等，本文的多视图就是非欧几里得数据。

多视图的图数据：通常需要使用多视角的图而不是单视角的图来更好地表示真实的图形数据，其中每个图视图表示节点之间的一种关系。以学术网络为例，一个图视角可以表示合作作者关系，而另一个视图可以表示共同参会关系。

Abstract

图神经网络（GNNs）在处理图结构数据方面取得了相当大的成就。然而，现有的方法由于忽略了节点属性和图的重构，无法将可学习的权值分配给邻域中的不同节点，缺乏鲁棒性。

此外，多视图GNNs主要集中在多个图的情况下，而设计用于求解多视图属性的图结构数据的GNNs还处于探索阶段。本文提出了一种新的多视图属性图卷积网络（MAGCN）聚类模型。MAGCN设计了两个编码器，用于映射图形嵌入特征和学习视图一致性信息。

第一个：建立多视图属性图注意力网络，减少噪声，学习多视图图数据的嵌入特征。

第二个：构造一致的嵌入编码器来捕获不同视图之间的几