PulseAugur
中
实时 09:17:07
English(EN) RHEA: Reliability-Harmonized Reconstruction and Assignment for Robust Multimodal-Attributed Graph Clustering

新的RHEA框架通过可靠性估计增强多模态图聚类

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了RHEA，一个旨在改进多模态属性图（MAGs）聚类的新框架。这些图包含文本和图像等多种数据，并通过关系连接，对于社区发现和产品分割等任务至关重要。RHEA通过从邻域共识中估计节点特定的模态可靠性，解决了现有方法在处理不完整或有噪声属性时表现不佳的局限性。这使得该框架能够重建不可靠或缺失的数据，在融合过程中自适应地加权模态，并执行具有可靠性知情分配的拓扑感知聚类。实验表明，RHEA的性能优越，尤其是在属性质量下降时。 AI

影响 增强了复杂关系数据集的数据分析能力，可能改进社区检测和产品分析等应用。

排序理由 该集群包含一篇详细介绍图聚类新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 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RHEA框架通过可靠性估计增强多模态图聚类

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Yinlin Zhu, Di Wu, Ziyu Han, Zekai Chenm, Wang Luo, Miao Hu, Guocong Quan ·

    RHEA: Reliability-Harmonized Reconstruction and Assignment for Robust Multimodal-Attributed Graph Clustering

    arXiv:2608.00621v1 Announce Type: new Abstract: Multimodal-attributed graphs (MAGs), whose nodes carry heterogeneous attributes such as text and images over a relational structure, have become a fundamental substrate for label-free entity grouping tasks, including community disco…

相关话题