高阶互信息最大化与伪标签指导的深度聚类

摘要

针对现有聚类方法未充分探索图的拓扑结构和节点关系,且无法受益于模型预测的不精确标签的问题,提出一种高阶互信息最大化与伪标签指导的深度聚类模型HMIPDC.该模型采用高阶互信息最大化策略来最大化图的全局表示、节点表示、节点属性信息之间的互信息.通过一种结合多跳邻近矩阵的自注意力机制更加合理地提取节点的低维表征.使用基于深度散度的聚类损失函数(DDC)迭代优化聚类目标,抽取高置信度的预测标签对低维表征的学习进行监督.在4个基准数据集上的聚类任务、实验时间分析和聚类可视化分析充分表明,HMIPDC的聚类性能始终优于大多数的深度聚类方法.通过消融研究和参数敏感性分析验证了该模型的有效性和稳定性.