一个双面罩的深层结构集群网络,具有适应性的双向信息传输
概括
本研究引入了一种双面罩的深度结构聚类网络 (DMDSC),以改进图形聚类. DMDSC地址具有腐败和网络退化特征,性能优于现有的深度集群方法.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 图形神经网络的神经网络
背景情况:
- 结构化集群网络使用自动编码器 (AE) 和图形卷积网络 (GCN) 来减轻过度平滑.
- 现有的方法在不考虑特征/结构损坏的情况下遭受学习表示,并面临网络退化/消失梯度.
研究的目的:
- 提出一种新的深度集群方法,即双面罩深度结构集群网络 (DMDSC).
- 解决当前结构化集群网络的局限性,特别是特征/结构腐败和网络退化问题.
主要方法:
- DMDSC使用生成的自我监督学习来重建损坏的结构和特征,挖掘更深层次的相关性.
- 开发了一个自适应双向信息传递 (ABID) 模块,在AE和GCN层之间创建一个信息传输通道.
- 该ABID模块旨在缓解深层GCN中的过度平滑和消失梯度问题.
主要成果:
- 对六个基准数据集的实验证明了拟议的DMDSC的有效性.
- DMDSC显著超过了最先进的深度集群算法.
结论:
- 通过解决功能腐败和网络退化,DMDSC为深度图集群提供了强大的解决方案.
- 适应式双向信息传递机制有效地提高了网络性能和稳定性.


