Self-supervised Graph Convolutional Network for Multi-view Clustering阅读

该论文不是传统意义上的多视图,而是使用欧拉变换构建的新的表示作为多视图的输入。

作者分析,现有的图神经网络采用直接使用原始图作为过滤器的方法进行数据训练,忽视了原始图可能包含异常值信息这一缺点。其次,现有图聚类模型几乎没有利用聚类结果进行自监督来更新聚类结果。作者将自监督加入图聚类中这一点作为一个很大的创新。

在建立很少有异常值的图结构方面,作者使用欧拉变化构建新的视图。该新的视图不仅去掉了很多异常值,还挖掘到了非线性的信息。

在利用自监督来更新聚类过程中,利用聚类标签来更新隐藏表示和协同矩阵,然后再进行聚类结果更新。

 

 

技术实现:

1.使用欧拉变化去掉异常值并挖掘非线性信息作为新的视图表示。


i 是虚数,阿尔法是频率系数,在实验过程中作者直接给定具体值。

2.子空间聚类:(其实是子空间聚类+图注意力网络)

多视图子空间聚类的目的是学习多个视图之间的协同表示矩阵,再利用该矩阵聚类。

作者并不是用原始数据信息直接进行子空间聚类,而是用图注意力网络处理过的隐藏表示F进行子空间聚类。作者让原始视图表示和新的视图表示使用一个图结构,送入图注意力网络中训练,训练过程中共享参数,得到含有原始数据线性信息、去异常值的非线性信息和结构信息的隐藏表示F。

普通的子空间聚类:

 

在本文中,为了同时获取两个视图的信息,构建了针对多个视图的子空间学习方法:


F是前面得到的两个视图的隐藏信息。此处的C是融合了两个视图信息的自表示系数矩阵。用C进行谱聚类得到初始聚类标签。

作者将每个视图的F*C作为新的表示,送入图注意力网络的编码器中。为了同时巩固语义信息和结构信息,编码器的生成数据分别与原始数据表示和图结构表示做对比。

 

3.自监督学习:

初始聚类标签的标签信息不一定准确。作者利用这一特点构建了自监督学习过程。

自监督过程主要对隐藏表示F和自表示系数矩阵C进行改进:

(1)  对隐藏表示F:


作者对两个视图的F构建了三层全连接层和一个分类器,得到一个新的聚类结果。将这个聚类结果和子空间得到的聚类结果进行比对,从而加强聚类效果。具体的:

 (2)对自表示系数矩阵C:

利用标签信息和自表示系数矩阵C的一致性,对C进行改进。具体的:


自表示系数矩阵Cij表示数据i和数据j之间的线性相关性。规定:聚类标签i和聚类标签j之间相同时,Cij才非零,以此来实现两者之间的一致性。

 

模型搭建:

1.  欧拉变换构建新视图

2.  图注意力网络编码器,得到中间层表示F

3.  图注意力网络的中间层用作多视图协同子空间聚类

用中间层的分类器结果和子空间聚类标签加强中间层F表示

用子空间聚类标签加强子空间自表示系数矩阵C

4.  图注意力网络解码器,输入加强过的F*C

总结:图注意力网络、子空间聚类、自监督的结合。

 

实验过程:

1.数据集:

三个数据集是采用含有官方图结构的数据集;

一个数据集用五个邻居信息构建图结构。

2.基准实验:

由于该论文主要在语义信息X,结构信息A,欧拉变换的新表示上做的工作。因此作者做了类似于消融实验的工作:

3.评价指标:acc,nmi,ari

4.参数设定:从本文可以看到,根据不同的数据集和情况,所有的参数都可以根据情况变动以取得最好的结果,只需要在论文中说明即可。

 

实验结果分析:

文章对每个对比实验跑了十次,最后取平均值。从结果中分析得:

(1)有图结构得普遍比非图结构的实验跑的好

(2)在cora 和Citeseer 上跑的好。

(3)多视图比单视图实验结果好

(4)实验效果同样适用于大规模数据

(5)使用不同的算法生成新的视图,效果不同。欧拉变换最好。原因是挖掘了非线性信息。

 

不同参数的敏感度分析:

对不同损失函数前面的参数进行分析。并画出了不同参数的效果图。

对不同的网络层参数进行分析

对聚类簇的个数进行分析


消融实验:

对四个损失函数进行消融实验

对不同的对比试验进行可视化分析

 

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 213,752评论 6 493
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,100评论 3 387
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 159,244评论 0 349
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,099评论 1 286
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,210评论 6 385
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,307评论 1 292
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,346评论 3 412
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,133评论 0 269
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,546评论 1 306
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,849评论 2 328
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,019评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,702评论 4 337
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,331评论 3 319
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,030评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,260评论 1 267
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,871评论 2 365
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,898评论 2 351

推荐阅读更多精彩内容