HeNCler: Node Clustering in Heterophilous Graphs through Learned Asymmetric Similarity

在异质图中对节点进行聚类存在独特的挑战，因为传统方法往往忽略了不对称的关系，而且假设良好的聚类对应于高内部群集和低间部群集连通性。为了解决这些问题，我们介绍了HeNCler - 一种新颖的异质节点聚类方法。我们的方法首先定义了一种加权核奇异值分解，用于创建一个可应用于有向和无向图的不对称相似性图。我们进一步确定这个公式的对偶问题与不对称核谱聚类相一致，解释了学习到的图相似性而不依赖同质性。我们证明了直接解决原始问题的能力，从而规避了对偶方法的计算困难。实验结果证实，HeNCler显著提高了异质图上节点聚类任务的性能。

解决问题：本文旨在解决异质图中节点聚类的问题，传统方法忽略了异质关系的不对称性，而HeNCler则采用了加权核奇异值分解创建不对称相似图的方法。

关键思路：HeNCler使用加权核奇异值分解创建不对称相似图，进而解决异质图中节点聚类的问题。该方法可以应用于有向和无向图，并且解决了对偶问题与不依赖同质性的不对称核谱聚类的问题。

其他亮点：本文通过实验证明HeNCler在异质图的节点聚类任务中具有显著的性能提升。实验使用了多个数据集，并且开源了代码。该方法对于解决异质图中的节点聚类问题具有一定的指导意义。

相关研究：最近的相关研究包括：Heterogeneous Graph Neural Networks (HGNN)、Heterogeneous Information Network Embedding (HINE)等。