多视图网络中节点聚类的多重深度潜在位置模型：一种端到端无监督学习方法

本文提出了一种创新的多重深度潜在位置模型（MDLPM），通过结合图卷积网络（GCN）和变分推断（VI），解决了多视图网络（Multiplex Networks）中节点聚类的建模与计算难题。该模型首创性地将聚类过程嵌入深度学习框架，实现了端到端无监督分析，显著提升了复杂网络结构的解析能力与效率。

　　

亮点

• 多重潜在位置解码器：基于节点在联合潜在空间中的距离，跨网络视图建模交互概率。

• 多GCN整合：在变分推断框架中部署多重图卷积网络，攻克多视图网络的结构复杂性。

• 端到端聚类：直接估计后验聚类概率，无需依赖k均值等外部算法。

• 混合估计算法：结合EM（显式优化聚类）与SGD（隐式图重构），实现双目标优化。

多重深度潜在位置模型

本节提出生成式模型框架：通过潜在空间映射，将多视图网络拓扑关系转化为可学习的低维表征，同时保留各视图特异性。

模型推断

开发了融合变分自编码与混合优化的原创算法：

1. 1.

   显式步骤：通过变分EM更新聚类后验分布

2. 2.

   隐式步骤：用SGD优化GCN编码器-解码器参数

数值实验

在5类合成数据场景中验证模型优越性，包括视图异质性测试与算法收敛性分析。

真实网络无监督分析

应用案例：

• •

  Enron邮件网络：识别跨部门协作模式

• •

  DBLP学术网络：挖掘学者多维度合作关系

结论

MDLPM开创性地统一了统计模型可解释性与图神经网络表征能力，为复杂生物网络（如蛋白质互作多视图分析）提供新范式。