多图聚类---graph level 上的工作
三个模块: FT GE EC +一个对比损失
多图卷积 实质上就是 GCN ,把每层的表征拼接, 对node每一维采用了max pooling 获得图级表征。
K是一个图核函数 说是通过XA计算, W是 一个特征转化矩阵,还是拼接H个图表征
前面两次都是 GCN形式的embed
这里加入一个K-means的目标函数,聚类生成的伪标签作为ground-truth,和mlp的softmax生成的输出形成自监督。 整体就是无标签,无监督的框架,但是聚类的伪标签生成自监督信息
考虑图的拓扑信息,加入了一个重构损失
最初网络不强,可能差,加入一个对比损失,使得学到的Z尽可能多的保留X的图信息,这个是一个对抗损失 参考文献13 是NCE 损失
实验设置 说出前面那个图核 是WLK SPK graphlet的平均, 各层的维度 和 各个损失的参数,Ls是自监督损失,Lr 重构 Lc 是对比nce 似乎这个 自监督损失最有效果 在ENZYMES上sota很多