论文阅读笔记（3）：Graph Filter-based Multi-view Attributed Graph Clustering

Graph Filter-based Multi-view Attributed Graph Clustering：基于图过滤器的多视图属性图聚类

摘要

摘要：图聚类现有的方法有两个主要的缺点：1）大多数方法不能同时探索属性和图结构的信息；2）大多数方法无法处理包含不同特征和图形集的多视图数据；
本文提出有效的多视图属性图聚类方法：1）首先，不需要学习神经网络参数的情况下，对特征进行图滤波以获得平滑的表示；2）其次，设计了一种新的策略来选择几个锚定点，降低计算复杂度；3）开到一种新的正则化器来探索高阶领域信息；

相关研究

简介：图聚类作为无监督学习的一个分支，旨在将图节点划分为几个不相交的组，每一个组都属于一个类；现实世界中的数据往往比较复杂，包括节点属性和顶点之间的结构关系；为了利用结构和特征中的丰富信息，采用了图嵌入框架，提出一种联合聚类技术，开发了一种关系主题方法来解决这个问题；然而，他们主要关注稀疏的原始图，不能有效利用底层信息，而且这些方法无法处理多视图数据；
大多数图形数据通常是多模态和多关系的，也就是节点由多个特征矩阵组成，每个节点通过多种类型的关系与其他节点进行交互；
现有的多视图学习方法大致分为两类：1）将多个图集融合成一致性图，然后采用单视图算法；2）另外一种方法通过图嵌入技术学习稀疏和紧凑的表示，再运用经典的方法；但是，这些方法主要集中在一类信息上