Balanced Multi-Relational Graph Clustering

多关系图聚类在揭示复杂网络中潜在模式方面已经取得了显著的成功。代表性方法成功地通过对比学习的进展来对齐不同的视角。我们的实证研究发现，现实世界中的图普遍存在不平衡，这与对齐的动机原则上是矛盾的。在本文中，我们首先提出了一种新的度量标准——聚合类距离，以经验方式量化不同图之间的结构差异。为了解决视角不平衡的挑战，我们提出了平衡多关系图聚类（BMGC），包括无监督的主导视角挖掘和双信号引导的表示学习。它在训练过程中动态地挖掘主导视角，并通过表示学习协同改善聚类性能。理论分析保证了主导视角挖掘的有效性。对真实世界和合成数据集进行的广泛实验和深入分析表明，BMGC实现了最先进的性能，突显了其在解决多关系图中固有的视角不平衡方面的优越性。源代码和数据集可在https://github.com/zxlearningdeep/BMGC上获得。

本论文旨在解决多关系图聚类中存在的视图不平衡问题，并提出了一种新的度量方法和算法。这是一个新问题。

论文提出了平衡多关系图聚类算法（BMGC），包括无监督主导视图挖掘和双信号引导的表示学习。BMGC通过动态挖掘主导视图，并与表示学习协同提高聚类性能。

BMGC在真实和合成数据集上取得了最先进的性能，并且在多关系图聚类中解决了视图不平衡的问题。论文提出了新的度量方法和算法，并进行了理论分析。代码和数据集已经开源。

在多关系图聚类领域，最近的相关研究包括： 1. Multi-View Spectral Clustering for Graphs with Asymmetrically Missing Links 2. Multi-View Clustering via Deep Matrix Factorization 3. Multi-View Clustering with Graph Embedding