论文阅读：Every Node is Different: Dynamically Fusing Self-Supervised Tasks for Attributed Graph Clusteri

cite:Zhu, P., Wang, Q., Wang, Y., Li, J., & Hu, Q. (2024). Every Node Is Different: Dynamically Fusing Self-Supervised Tasks for Attributed Graph Clustering. Proceedings of the AAAI Conference on Artificial Intelligence, 38(15), 17184-17192. https://doi.org/10.1609/aaai.v38i15.29664

论文地址：Every Node Is Different: Dynamically Fusing Self-Supervised Tasks for Attributed Graph Clustering | Proceedings of the AAAI Conference on Artificial Intelligence

代码地址：https://github.com/q086/DyFSS

---

摘要

属性图聚类是一种无监督任务，其目标是将节点划分为不同的组。自监督学习（Self-Supervised Learning, SSL）在处理这一任务中展现出了巨大的潜力，一些最新研究通过同时学习多个SSL任务进一步提升了性能。然而，目前不同SSL任务对所有图节点的权重设置是统一的。然而，作者观察到，对于某些邻居分布在不同组的图节点，SSL任务的重要性需要显著不同的权重分配。

在本文中，我们提出了一种动态学习不同节点SSL任务权重并融合从不同SSL任务中学得的嵌入的创新方法，以提升聚类性能。我们设计了一种新的图聚类方法，称为动态融合自监督学习（Dynamically Fusing Self-Supervised Learning, DyFSS）。具体来说，DyFSS通过一个门控网络为不同SSL任务提取的特征分配不同的权重，并进行融合。为了有效地学习门控网络，作者设计了一种结合伪标签和图结构的双层自监督策略。

在五个数据集上的广泛实验表明，DyFSS在准确率指标上比当前最先进的多任务SSL方法性能最高提升了8.66%。

引言

属性图聚类（Attributed Graph Clustering, AGC）的目标是在没有明确监督的情况下，将图的节点划分为多个组。AGC的一个关键挑战是缺乏适当的监督信号（Zhu 等, 2022；Mrabah 等, 2023）。自监督学习（Self-Supervised Learning, SSL）通过从数据中获取监督信息，已被证明在获得良好性能方面具有极大帮助（Wu 等, 2023）。

许多关于AGC中SSL方法的研究已被提出。生成式学习方法（Pan 等, 2018；Hou 等, 2022）旨在通过重构图结构或掩码的节点特征来学习节点表示。对比学习方法通过最大化正样本之间的