双特征增强图聚类网络

关键节点筛选

通过关键节点筛选和异构信息融合，减少冗余增强判别性，实现更鲁棒的图聚类。

Renda, Han · 73511329 · Zeyi, Li · Mengfei, Li · Tianyu, Hu · Zhenhua, Yang · 刘净心

Pattern Recognition Letters 2025

技术优势

减少非重要连接

通过计算节点重要性分数调整边权重，增强重要连接并抑制非重要连接，使图结构更聚焦于聚类相关模式。

动态滤除冗余

异构信息融合逐层微调节点属性与图结构，动态滤除冗余表示，形成鲁棒的目标分布。

应用场景

• 图数据分析：直接用于图数据的无监督聚类，无需标注即可获得高质量簇划分。
• 特征降维与表示学习：通过判别性表示学习，自动降维并保留聚类关键特征。
• 图异常检测：过滤非重要连接和冗余信息，有助于凸显异常模式。
• 社区发现：增强图结构判别性，可提升社区划分的准确率。