KDD 2025 | 北航提出DeSE框架，融合深度结构熵以提升图聚类性能

主要观点总结

本文介绍了一种新型的无监督图聚类框架DeSE，旨在解决结构量化和结构学习的挑战。DeSE通过融合深度结构熵，解决了现有方法的局限性，并在四个数据集上进行了实验验证。

关键观点总结

关键观点1: DeSE框架的引入及其解决的主要问题

为了解决现有无监督图聚类面临的挑战，如原始图结构的稀疏性和强依赖性、嵌入学习与聚类过程的解耦以及图结构量化表示的可解释性不足，作者提出了DeSE框架。该框架通过结构量化、结构学习层和聚类分配层以及双重优化机制，解决上述挑战并提升聚类性能与可解释性。

关键观点2: DeSE的主要模块和原理

DeSE框架包含三个主要模块：结构量化模块、结构学习层（SLL）和聚类分配层（ASS）。结构量化模块引入软分配结构熵，对图结构信息进行量化。SLL利用可用特征信息增强原始图结构。ASS利用初始嵌入和邻接矩阵学习节点的软分配和嵌入，同时在聚合后更新图结构和簇嵌入。最后通过优化模块整合各模块。

关键观点3: 实验验证

作者在Cora、Citeseer、Computer和Photo四个基准数据集上进行了实验，与DMoN、MinCut等8个基线模型进行对比。采用NMI、ARI、ACC、F1等指标评估聚类性能，并通过消融实验、敏感性分析和鲁棒性测试深入分析模型特性。实验结果表明，DeSE在聚类性能上显著优于基线模型，具有更好的鲁棒性。

免责声明