Agrupación de grafos multivista mediante fusión de atención dual y optimización colaborativa

Área de la Ciencia:

• Minería de datos
• Aprendizaje automático
• Teoría de grafos

Sus antecedentes:

• La agrupación de grafos multivista aprovecha múltiples fuentes de datos para la partición de nodos.
• Los métodos existentes tienen dificultades con la información estructural única y las relaciones entre vistas.
• La falta de consistencia semántica conduce a representaciones inestables y una calidad de agrupación deficiente.

Objetivo del estudio:

• Proponer un novedoso método de extremo a extremo, Agrupación de Grafos Multivista mediante Fusión de Atención Dual y Optimización Colaborativa (MGCDC), para mejorar la agrupación de grafos multivista.
• Capturar eficazmente información estructural única dentro de cada vista y relaciones complementarias entre vistas.
• Forzar la consistencia semántica global para representaciones de consenso estables y una calidad de agrupación mejorada.

Principales métodos:

• Codificación de cada vista utilizando un autoencoder de atención de grafos para incrustaciones de nodos específicas de la vista.
• Integración de incrustaciones mediante atención a nivel de vista para una representación de consenso unificada.
• Empleo de alineación de clústeres entre vistas y pérdidas de mejora de la consistencia semántica para la optimización colaborativa.

Principales resultados:

• MGCDC logra un rendimiento muy competitivo en cinco conjuntos de datos de referencia.
• El método integra eficazmente información multivista y refina las asignaciones de clúster.
• Demostró una calidad de agrupación superior en comparación con los métodos de vanguardia.

Conclusiones:

• MGCDC ofrece una solución robusta para la agrupación de grafos multivista.
• La estrategia de fusión de atención dual y optimización colaborativa mejora el rendimiento de la agrupación.
• El método propuesto aborda eficazmente las limitaciones de los enfoques existentes.