来源: 2024,  TKDE
作者: Kamal Berahmand, Sondos Bahadori, Maryam Nooraei Abadeh, Yuefeng Li
单位:昆士兰理工大学理学院计算机科学学院

一、论文主要工作及贡献

属性图聚类面临两个主要挑战。第一，对非监督方法的依赖阻碍了表示层中低维、特定于聚类的特征的学习，从而影响了聚类性能。第二，单独方法的主要使用会导致次优的学习嵌入，这不足以满足后续的集群步骤。针对这些局限性，这篇论文提出了一种新的基于双自动编码器的半监督深度属性聚类方法(SDAC-DA)。该方法实现了属性网络中的半监督深度端到端聚类，促进了高结构内聚性和属性同质性。SDAC-DA将属性网络转化为双视图网络，对每个视点采用半监督的自动编码分层方法，并通过考虑互补视点来整合降维矩阵。生成的表示层包含高度聚类友好的嵌入，通过统一的端到端聚类过程进行优化，以有效地识别聚类。

二、算法

三、实验结果

四、总结与思考

（一）、论文的核心内容:

  本文提出了基于双自动编码器的半监督深度属性聚类(SDACDA)方法，将属性网络转化为对偶网络，用半监督方法训练每个视点，由此得到的表示层表现出很强的团簇友好特性。

（二）、综合对齐思考:

  本篇论文将双视角应用在节点聚类，但是本质上只是将结构信息与节点属性换一种方式融合计算，创新性不大。