PulseAugur
中
实时 09:11:37
English(EN) Breaking Structural Isolation: Scalable Graph Clustering via Community-Aware Sampling and Structural Entropy

新的 SCISE 框架通过解决结构孤立问题来增强图聚类

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了 SCISE，一种新颖的无监督图聚类框架，旨在克服小批量训练中常见的“结构孤立”问题。SCISE 集成了结构熵社区约束算子（SECC）来增强社区凝聚力，以及社区感知采样扩展（CSampE）机制来保留全局拓扑信息。此外，结构对比学习（StructCL）模块优化了边权重，以指导编码器学习更高阶的结构表示。在六个基准数据集上的实验表明，SCISE 的性能优于现有算法。 AI

影响 这项研究引入了一种改进无监督图聚类的新方法，有可能增强各种 AI 应用中大规模网络的分析。

排序理由 这是一篇详细介绍图聚类新算法的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的 SCISE 框架通过解决结构孤立问题来增强图聚类

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Jingyun Zhang, Hao Peng, Jianxin Li, Angsheng Li, Philip S. Yu ·

    突破结构孤立：通过感知社区的采样和结构熵实现可扩展图聚类

    arXiv:2607.05469v1 Announce Type: cross Abstract: Unsupervised graph clustering is a fundamental technique for uncovering underlying semantic patterns in large-scale networks. Although Graph Contrastive Learning has demonstrated promising performance, existing methods often suffe…

相关话题