基于结构鲁棒性学习和稳定原型引导的对比图聚类

《Neural Networks》:Contrastive Graph Clustering with Structure-Robust Learning and Stable Prototype Guidance

【字体: 大 中 小 】 时间:2026年05月03日 来源:Neural Networks 6.3

编辑推荐:

  对比图聚类(Contrastive Graph Clustering)是一种有效的无监督节点表示学习范式,但在高维属性图中仍面临两个挑战。首先,全局共享的特征权重忽略了特征重要性的节点间差异,降低了簇间可分性。其次,仅基于当前预测推导的目标分布缺乏时间一致性,

  
对比图聚类(Contrastive Graph Clustering)是一种有效的无监督节点表示学习范式,但在高维属性图中仍面临两个挑战。首先,全局共享的特征权重忽略了特征重要性的节点间差异,降低了簇间可分性。其次,仅基于当前预测推导的目标分布缺乏时间一致性,导致分配波动和原型漂移(prototype drift)。为解决这些问题,研究人员提出了一种统一框架——结合结构鲁棒学习与稳定原型引导的对比图聚类(SR-SPG)。SR-SPG通过整合三个先验(邻域一致性先验、Fisher判别先验和自适应学习先验)实现节点自适应特征门控,增强特征可分性;同时通过指数移动平均(EMA)更新的原型构建时间平滑的自训练目标,提升训练稳定性。在六个基准数据集上的大量实验验证了SR-SPG的有效性和鲁棒性。

论文解读

研究背景与动机

图聚类(Graph Clustering)作为图数据分析的基础任务,旨在无人工标签的情况下揭示潜在图结构并将节点划分为语义连贯的簇,广泛应用于社交网络分析、推荐系统及生物信息学等领域。早期研究通过优化谱目标或引入结构正则化将经典聚类方法扩展至图数据,但依赖预定义相似性度量,在高维属性大图中表现有限。随着图神经网络(Graph Neural Networks, GNNs)的发展,深度图聚类通过端到端学习聚类导向的节点嵌入成为主流,其中对比学习(Contrastive Learning)因能有效学习判别性表示而被广泛采用。然而,现有对比图聚类方法在高维属性图中仍存在关键局限:一是依赖全局共享特征权重,无法适应节点特定特征重要性差异,削弱表示判别性;二是仅基于当前预测构建聚类目标,未充分利用历史聚类信息,易导致硬样本分配波动与原型漂移,影响收敛性与最终性能。为此,研究人员开展本研究,提出SR-SPG框架以解决上述问题。

研究方法与技术路径

研究人员提出的SR-SPG框架整合节点自适应特征门控与稳定原型引导,核心方法包括:(1)三重先验融合的节点自适应特征门控:整合邻域一致性先验(捕捉局部结构相似性)、Fisher判别先验(最大化类间离散度与类内紧凑性)和自适应学习先验(动态调整特征权重),在表示学习前对特征维度重加权;(2)稳定原型引导的自训练:通过指数移动平均(EMA)维护稳定簇原型,利用原型引导分配构建时间平滑的自训练目标;(3)基准数据集验证:在CORA、ACM、DBLP、AMAP(Amazon Photo)、AMAC(Amazon Computers)和HHAR六个基准数据集上评估,遵循标准协议(仅用标签评估,不参与训练)。

研究结果

  1. 1.
    深度图聚类(Deep Graph Clustering):现有方法可分为重构式生成方法(如基于自动编码器优化特征重建损失)、对抗正则化方法(通过对抗训练增强表示鲁棒性)和对比学习方法(通过视图一致性约束学习判别表示),但均存在特征权重全局共享或目标不稳定的局限。
  2. 2.
    符号与问题定义:定义无向图G=(V,E),其中V为节点集(N=∣V∣),E为边集;节点属性矩阵X∈RN×D,邻接矩阵A∈{0,1}N×N;自环增强邻接矩阵A~=A+I,度矩阵D~=diag(d1,…,dN)(di=∑jA~ij),对称归一化邻接矩阵A^=D~?1/2A~D~?1/2;问题目标为学习节点嵌入Z∈RN×H并划分K个簇。
  3. 3.
    数据集(Datasets):实验采用CORA(引文网络,节点为出版物,边为引用关系,标签为研究主题)、ACM(学术网络,节点为论文,边为引用关系)、DBLP(计算机科学文献网络)、AMAP(亚马逊照片商品共购网络)、AMAC(亚马逊电脑商品共购网络)和HHAR(人类活动识别传感器网络),数据统计见表2(原文表2),标签仅用于评估。
  4. 4.
    结论与未来工作(Conclusion and Future Work):SR-SPG通过节点自适应特征门控与稳定原型引导,提升了高维属性图的表示判别性与自训练稳定性,六个基准数据集实验验证其有效性与鲁棒性;未来可将核心思想扩展至异构图聚类、动态图聚类等更具挑战性的场景。
  5. 5.
    CRediT作者贡献声明:Yuanfu Ding负责概念化、数据管理、形式分析、调查、方法论、软件、验证、可视化及初稿撰写与修订;Xiufang Xu、Sen Xu负责概念化、资金获取、监督及修订;Xuesheng Bian、Shanliang Yao、Naixuan Guo、Wei Wang、Tian Zhou负责监督;Yuyang Shen参与相关工作。
  6. 6.
    利益冲突声明(Declaration of Competing Interest):作者声明无已知竞争性财务利益或个人关系影响本研究。
  7. 7.
    致谢(Acknowledgments):本研究获国家自然科学基金(62076215、62301473)、江苏省高校自然科学基金(23KJB520039)、江苏省网络与信息安全重点实验室(BM2003201)、江苏省高校“青蓝工程”、盐城市产业创新技术支撑专项(YCBG2025201)及盐城市基础研究基金项目(YCBK2025011)资助。

结论总结

SR-SPG是针对高维属性图的对比图聚类框架,通过整合节点自适应特征门控(三重先验融合)与稳定原型引导(EMA更新原型),解决了现有方法中全局特征权重与不稳定自训练目标的问题,提升了表示判别性与训练稳定性。实验表明,SR-SPG在六个基准数据集上优于现有方法,其核心思想可扩展至其他图聚类挑战场景,为无监督图表示学习提供了有效框架。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号