Modularity aided consistent attributed graph clustering via coarsening

图聚类是一种重要的无监督学习技术，用于对具有属性的图进行分区和检测社区。然而，当前的方法往往难以准确捕捉真实的社区结构和簇内关系，且计算效率低下，难以识别较小的社区。我们通过集成粗化和模块度最大化来解决这些挑战，有效利用邻接和节点特征来提高聚类准确性。我们提出了一个损失函数，采用块主导最小化技术，将对数行列式、平滑性和模块度组件结合起来，从而实现优越的聚类结果。该方法在度修正随机块模型（DC-SBM）下理论上是一致的，确保了渐近无误差的性能和完全的标签恢复。我们的可证明收敛和时间高效的算法与图神经网络（GNN）和变分图自编码器（VGAE）无缝集成，以学习增强的节点特征并提供出色的聚类性能。在基准数据集上进行的大量实验表明，它在属性和非属性图上均优于现有的最先进方法。

解决问题的是图聚类中准确捕获真实社区结构和内部联系、计算效率和识别较小社区的问题。

将粗化和模块化最大化相结合，利用邻接和节点特征提高聚类准确性。提出了一个损失函数，包括对数行列式、平滑性和模块性组成部分，使用块主元最小化技术，获得卓越的聚类结果。算法与图神经网络和变分图自编码器无缝集成，以学习增强节点特征并提供出色的聚类性能。

论文提出的方法在多个基准数据集上均超过了现有的最先进方法，具有理论上的一致性和渐近无误差性能。实验设计详细，使用了多个数据集，提供了开源代码。

相关研究包括：《Deep Infomax Clustering》、《Attributed Network Embedding for Learning in a Dynamic Environment》、《Graph Clustering with Graph Convolutional Neural Networks》等。