Synergistic Deep Graph Clustering Network

本研究提出了一种名为Synergistic Deep Graph Clustering Network (SynC)的图聚类框架，建议加强嵌入和结构的协同以释放图神经网络（GNN）在深度图聚类中的潜力。现有方法忽略了表示学习和结构增强之间的相互关系。可靠的结构促进获得更具凝聚力的节点表示，而高质量的节点表示可以指导结构的增强，从而提高结构的可靠性。此外，现有基于GNN的模型的泛化能力相对较差。尽管它们在具有高同质性的图上表现良好，但在具有低同质性的图上表现不佳。为此，作者设计了一个名为Transform Input Graph Auto-Encoder (TIGAE)的模型来获得高质量的嵌入以指导结构增强，然后在增强后的图上重新捕捉邻域表示以获得友好的聚类嵌入并进行自监督聚类。值得注意的是，表示学习和结构增强共享权重，显著减少了模型参数的数量。此外，作者引入了一种结构微调策略来提高模型的泛化能力。对基准数据集的广泛实验证明了该方法的优越性和有效性。该代码已在GitHub和Code Ocean上发布。

论文旨在解决利用图神经网络进行深度图聚类时存在的表示学习和结构增强之间相互关系被忽略的问题，同时提高模型的泛化能力。

论文提出了一种名为SynC的图聚类框架，其中使用Transform Input Graph Auto-Encoder（TIGAE）来获取高质量的嵌入向量，引导结构增强。然后，重新捕获增强后的图上的邻域表示以获得更好的嵌入向量，并进行自监督聚类。值得注意的是，表示学习和结构增强共享权重，从而显著减少了模型参数的数量。

论文的亮点包括：使用TIGAE来提高嵌入向量的质量，提出了一种结构增强策略来提高模型的泛化能力，实验结果表明SynC方法在多个基准数据集上的表现优于其他方法。此外，作者还在GitHub和Code Ocean上公开了代码。

在最近的相关研究中，一些相关的论文包括：《Deep Graph Clustering: A Survey》、《Learning Deep Graph Representations with Adversarially Regularized Autoencoder》、《Adversarial Deep Clustering of Images and Graphs》等。