Reading SCGC: Self-supervised contrastive graph clustering

学术页面位置：SCGC:自监督对比图聚类 - 科学direct

代码地址： https://github.com/gayanku/SCGC

摘要

图聚类的目标在于识别网络中的群体或社区结构。随着深度学习的发展与应用，在图数据分析领域已涌现出大量基于自编码器（autoencoders）与图神经网络（GNN）结合的方法用于聚类分析，并致力于将网络拓扑特征有效提取与融合运用。然而，在动态信息整合方面仍存在局限性：基于卷积神经网络或注意力机制的传统GNN架构在处理复杂关系时往往面临过度平滑化、噪声干扰以及节点异质性等问题，并且计算开销较高且依赖完整图结构假设难以满足实际需求。为此本研究提出了一种创新性模型框架——SCGC（Soft Community Guided Graph Clustering），该框架通过改进后的边对比损失函数实现对软式社区关系的有效整合与动态优化过程，并在此基础上提出了SCGC*（Enhanced Soft Community Clustering）版本以进一步提升聚类性能

引言

图研究因其高度表达能力和普遍适用的图结构数据而受到了越来越多