![](https://img-blog.csdnimg.cn/20201014180756916.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
文献阅读
文章平均质量分 90
专业发呆业余科研
985本硕博,深耕医学人工智能领域科研,“医工结合”一线工作者。
展开
-
A Survey of Deep Graph Clustering: Taxonomy, Challenge, Application, and Open Resource(深度图聚类研究综述)
图聚类旨在将图中的节点划分为几个不同的簇,这是一个基础但具有挑战性的任务。得益于深度学习强大的表示能力,深度图聚类方法近年来取得了巨大的成功。然而,相应的综述论文相对稀缺,有必要对这一领域进行总结。基于这一动机,我们对深度图聚类进行了全面的综述。首先,我们介绍了该领域的形式化定义、评估和发展。其次,我们根据图类型、网络架构、学习范式和聚类方法四个不同标准,介绍了深度图聚类方法的分类法。第三,我们通过广泛的实验仔细分析了现有方法,并从图数据质量、稳定性、可扩展性、辨别能力和未知簇数量五个角度总结了挑战与机遇。原创 2024-07-16 17:38:05 · 933 阅读 · 0 评论 -
Rethinking Graph Auto-Encoder Models for Attributed Graph Clustering(重新思考带属性图聚类的图自编码器模型)
分析:我们将基于GAE的聚类方法组织成两组,并为每种方法提供抽象公式。相应地,我们分析并形式化了与所研究公式相关的问题。然后,我们提出了一个新的概念设计,可以有利于控制FR和FD之间的权衡。从理论角度来看,我们证明了这种权衡的存在,并研究了两个重要方面,这两个方面将GAE模型与传统自编码器方法区分开来。具体来说,我们研究了在不同层次上进行聚类和重构对FR和FD的影响。此外,我们检查了图卷积操作对FD的影响。方法:首先,我们提出一个采样操作符Ξ,触发针对FR的保护机制。原创 2024-07-16 11:40:28 · 587 阅读 · 0 评论