研究人员推出了一种名为CoCo的新框架，旨在通过解决图神经网络（GNN）学习节点表示的局限性来改进深度图聚类。CoCo旨在捕捉节点表示的紧凑性和一致性，克服了局部消息传递机制在处理全局关系和图数据固有的噪声时遇到的挑战。通过利用图卷积滤波器并将表示编码为低秩紧凑嵌入，CoCo有效地消除了冗余和噪声，同时揭示了图的底层结构。实验结果表明，CoCo在各种数据集上均优于现有的最先进方法。 AI
影响 该框架通过增强节点表示学习，有望提高基于图的机器学习任务的准确性和鲁棒性。
排序理由 该集群包含一篇发表在arXiv上的研究论文，详细介绍了一种用于深度图聚类的新框架。
在 arXiv cs.IR (Information Retrieval) 阅读 →
- alphaXiv
- arXiv
- CatalyzeX Code Finder for Papers
- CoCo
- Connected Papers
- CORE Recommender
- DagsHub
- Gotit.pub
- Graph Convolutional Filters
- graph neural networks
- Hugging Face
- IArxiv Recommender
- Litmaps
- ScienceCast
- scite Smart Citations
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
