Deep learning for graph clustering research papers two

1. Learning Deep Representations for Graph Clustering

Tian and Fei and their colleagues developed deep embedding models for graph partitioning at the AAAI conference in 2014.

由微软亚洲研究院发布的一篇文章指出，在早期的研究中就已经开始探索将深度学习技术应用于图聚类研究。该研究的核心思路相对直接：研究首先采用了自编码器模型来提取图数据的特征，并在此基础上结合k均值聚类算法进行分类处理。其背后的主要驱动力源于谱聚类技术的发展需求。

由于在引入了稀疏性约束后，在训练完成后进行正向传播步骤的情况下进行比较时发现 自编码器的计算复杂度 O(n) 显著低于谱聚类中的特征分解 O(n^3) 因此该方法在计算复杂度上也优于谱聚类方法。此外 在引入了稀疏性约束后 在完成正向传播步骤的过程中 自编码网络能够转化为稀疏自编码网络 而对应的 稀疏谱聚类则无法直接实现

个人对作者提出的优势表示怀疑看法。就第一个观点而言,仅从模型训练时间推测预测效率显得有些不切实际;此外,文中所采用的技术仍是基于深层栈式自编码网络(SAE),这一背景不容忽视。
其次,将稀疏性作为谱聚类的标准方法显得有些偏颇,这是以己