论文阅读--Multi-View Attribute Graph Convolution Networks for Clustering

Multi-View Attribute Graph Convolution Networks for Clustering（用于聚类的多视图属性图卷积网络）

1. 来源

Proceedings of the Twenty-Ninth International Joint Conference on Artificial Intelligence (IJCAI-20)

2. 动机

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，

• （1）现有的方法不能将可学习的权值分配给邻域内的不同节点，
• （2）并且由于同时忽略了节点属性和图重构，缺乏鲁棒性。
• （3）对于不同视图之间的一致性关系，没有明确地考虑相似性距离度量。
• （4）此外，现有的多视图GNN方法主要关注多图的情况，而忽略了同样重要的属性多样性，也就是设计用以解决多视图属性的图结构数据的gnn仍未得到充分的探索。

因此，论文提出了一种新的多视图属性图卷积网络（MAGCN）模型中的聚类任务。MAGCN设计了双路径编码器，用于映射图的嵌入特征和学习视图一致性信息。具体来说，第一种路径开发了多视图属性图注意网络，以减少噪声/冗余性，并学习多视图图数据的图嵌入特征。第二种路径开发一致的嵌入编码器来捕获不同视图之间的几何关系和概率分布的一致性，自适应地为多视图吸引找到一致的聚类嵌入空间。

表面上看确实图不错哈，其实也就那点儿东西（狗头保命）。

3. 模型框架

4. 方法介绍

4.1 总览

如图所示，模型包含两个主要模块：多视图属性图卷积编码器和一致的嵌入编码器。首先通过多视图属性图卷积编码器将多视图图数据X编码为图嵌入H。然后将图嵌入H输入到的一致嵌入编码器，得到一致的聚类嵌入Z，最终在Z计算的理想嵌入内在描述空间上进行聚类。

4.2 多视图属性图卷积编码器

• 在多视图属性图卷积编码器中，编码器将多视图节点属性矩阵和图结构映射到图嵌入空间中。也就是有一点改进的图卷积网络。输入:$H_i^0=X_i$。输出:$Z=H_i^L$。
  
  
  

• 解码器也是图卷积网络，最后解码的出来的表示，来做结构和特征的双重构损失。输入: ${\hat{H}}_i^0=Z$，输出:${\hat{X}}_i={\hat{H}}_i^0$。
  
  
  

4.3 一致的嵌入编码器

有必要说明一下，其实很简单，也就是把所有视图的编码之后表征$H^{}$整合起来，得到Z，然后对Z使用这个经典的函数，得到聚类分布，

然后这个函数，可以使簇内的紧凑性增强，簇间的紧凑性变弱，以此优化聚类。

然后就是使每个视图的分布都去近似于这个目标分布P，构造损失：

4.4 总优化目标

进行预测：

5. 实验

• 聚类结果对比
  

6. 总结

论文提出了一种新的用于聚类的多视图属性图卷积网络（MAGCN），这是一种通用的多视图图神经网络的方法。MAGCN采用双编码器设计，对提取的特征进行高维重构，并整合低维一致性信息。多视图属性图自动编码器和一致的嵌入编码器网络依次降低了噪声和不同视图之间的差异，最终得到了理想的聚类多视图属性图描述空间。在多视图图结构数据库上的实验结果证明了该方法的有效性，并优于几种现有的算法。