Provable Filter for Real-world Graph Clustering

图聚类是一种重要的无监督问题，已被证明对于图神经网络（GNNs）的进展更具抵抗力。此外，几乎所有聚类方法都专注于同质图并忽略异质性。这在实践中显著限制了它们的适用性，因为现实世界中的图表现出结构上的差异，不能简单地被归类为同质性和异质性。因此，迫切需要一种处理实际图的原则性方法。为了填补这一空白，我们提供了一种具有理论支持的新解决方案。有趣的是，我们发现大多数同质性和异质性边缘可以基于邻居信息正确地识别出来。受此发现的启发，我们构建了两个高度同质性和异质性的图。它们用于构建低通和高通滤波器以捕获整体信息。重要特征通过压缩和激励块进一步增强。我们通过对同质性和异质性图的广泛实验验证了我们的方法。实证结果表明，与最先进的聚类方法相比，我们的方法具有更好的性能。

本文旨在解决图聚类中GNNs面临的困难问题，并提出了一种处理实际图的方法。

通过邻居信息构建两个高度同质和异质的图，分别用于构建低通和高通滤波器，以捕获整体信息，并通过挤压和激励块增强重要特征。

本文的方法在同质和异质图上进行了广泛的实验验证，结果表明相对于现有的聚类方法，本文方法具有明显的优势。

最近的相关研究包括：1.《Deep Graph Clustering: A Survey》；2.《Cluster-GCN: An Efficient Algorithm for Training Deep and Large Graph Convolutional Networks》。