每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

CueGCL：面向无监督图对比学习的集群感知个性化自训练

Created by
  • Haebom

作者

李跃成、付乐乐、黄胜、陈川、杨雷、郑子斌

大纲

本文提出了一种基于聚类感知的图对比学习框架 (CueGCL)，该框架同时进行聚类信息学习和节点表征学习，以解决现有图对比学习 (GCL) 算法在结构相关的无监督学习任务（例如图聚类）中性能下降的问题。具体而言，我们设计了一种针对无监督学习场景的个性化自学习 (PeST) 策略，以捕获准确的聚类级个性化信息，并缓解类别冲突和不公平性。此外，我们证明了对齐图聚类 (AGC) 能够生成一致的节点嵌入，并从理论上证明了其有效性，即生成具有清晰聚类结构的嵌入空间。在五个基准数据集上的实验结果表明，CueGCL 达到了最佳性能。

Takeaways, Limitations

•
Takeaways：
◦
我们提出了一个新颖的框架，可以提高 GCL 在结构相关的无监督学习任务（例如图聚类）中的表现。
◦
通过个性化自学（PeST）策略缓解阶级冲突和不公平问题。
◦
通过对齐图聚类 (AGC) 生成一致的节点嵌入。
◦
在不同规模的数据集上实现最佳性能
•
Limitations：
◦
需要进一步分析所提出方法的计算复杂性和可扩展性。
◦
需要评估各种图形结构和数据特征的泛化性能
◦
需要对PeST和AGC策略的超参数优化进行深入研究。
👍
Made with Slashpage