低同质图聚类更稳
针对真实图中同质性水平变化，通过引入动态调整的中性对扩展对比学习，在低同质性图上依然能学到可区分的节点表示，从而提升图聚类的鲁棒性。
Liang, Peng · Yixuan, Ye · 刘诚 · 车杭骏 · Leung, Man Fai · 吴斯 · Wong, Hausan
IEEE Transactions on Knowledge and Data Engineering 2026
通过中性对动态调整节点间的相似度权重，即使邻居标签不一致也能学到可区分的表示，缓解低同质性带来的负面影响。
方法自适应地对齐邻域分布，自动根据图的同质性水平调整对比策略，无需人工设定阈值或先验。
节点特征一致性学习机制利用高置信图中的可靠邻居信息，从高同质性区域提取更强的监督信号，从而提升整体表示质量。