新的RGCN方法解决了缺失数据的图聚类问题

研究人员开发了一种新的鲁棒图聚类网络（RGCN），旨在处理具有缺失节点属性和结构链接的图。该方法解决了现有方法在聚类前进行数据插补的局限性，而这种方法可能遭受误差传播和模糊聚类边界的问题。RGCN采用双分支插补策略来减轻干扰并增强数据恢复，采用多超球混合先验来提高聚类紧凑性和可分离性，并采用边界感知对比增强目标来纠正插补偏差。实验表明，RGCN在具有各种缺失数据模式的真实世界数据集上优于当前最先进的方法。 AI

影响 引入了一种新颖的图聚类方法，可以提高在具有不完整属性和结构信息的 数据集上的性能。

排序理由 该聚类包含一篇详细介绍缺失数据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 →

• alphaXiv
• arXiv
• CatalyzeX Code Finder for Papers
• Connected Papers
• CORE Recommender
• DagsHub
• Gotit.pub
• Hugging Face
• IArxiv Recommender
• Influence Flower
• Litmaps
• ScienceCast
• scite Smart Citations

• 论文
• 其他

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