基于有效距离与密度的非参数深度图聚类方法DeepEDD研究

本文提出了一种创新的非参数深度图聚类框架DeepEDD，通过有效距离(Effective Distance)和密度(Density)算法实现端到端的聚类数k自动预测，解决了传统参数化方法需预设k值的局限性。该模型融合图掩码自编码器(Graph Masking Autoencoder)与多项式曲线拟合技术，在6个公开数据集上超越现有非参数方法（含经典与深度模型），其掩码机制显著提升了泛化性能。

　　

亮点

• 提出首个基于有效距离与密度(EDD)的非参数深度图聚类算法，通过改进的密度峰值算法(CFSFDP)自动确定聚类数k

• 设计新型融合损失函数，并完成收敛性证明

• 首次将图掩码自编码器(Graph Masking Autoencoder)应用于聚类数预测任务，显著提升模型泛化能力

• 在6个数据集上的实验表明，本方法超越现有非参数基线模型

方法

算法框架包含图像掩码融合编码器和双解码器：输入图数据经编码器生成混合嵌入(含掩码编码和自编码器AE编码)，通过多目标重构模块处理后，由自优化模块进行精细化调优。核心创新点EDD算法将图拓扑关系映射至内积空间，结合熵策略与多项式拟合自动确定最优k值，突破传统CFSFDP依赖人工调参的限制。

理论推导与证明

本节重点阐述新型损失函数的设计原理：通过数学推导验证了融合损失对嵌入质量的提升作用，并证明EDD解码器在拓扑信息提取中的有效性。实验数据与理论公式共同支撑了方法的鲁棒性。

结论

DeepEDD通过融合图掩码自编码器与原创EDD算法，实现了非参数图聚类领域的突破。数学计算证实其性能优于现有方法，尤其在未知真实k值的场景下展现显著优势，为无监督学习提供了新范式。