论文阅读05——《A Deep Graph Structured Clustering Network》

论文阅读05——《A Deep Graph Structured Clustering Network》

作者：XUNKAI LI, YOUPENG HU, YAOQI SUN, JI HU, JIYONG ZHANG 发表时间：2020年8月 论文地址：https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=9181620

目录

• 论文阅读05——《A Deep Graph Structured Clustering Network》
  • Ideas：
  • Model：
    • GAE
    • DenseGCN
    • 三重自监督模块
    • 算法伪代码

Ideas：

1. 提出一种深度图结构化聚类网络（DGSCN），该网络将深度聚类方法应用于图结构化数据处理，考虑了图节点特征信息和拓扑信息
2. 提出一种具有深度GCN层的聚类任务方法
3. 三重自监督

论文的作者认为Bo等人（也就是SDCN那篇文章）没有充分考虑复杂的图结构信息，但是Bo等人在文章中说了GCN学习了图结构信息，并且证明SDCN学习的数据表示具有不同阶结构信息的表示总和。

这个证明就是不断迭代Z，直至第一层，那么公式22左边一项就是和原始数据X相关，右边是不同阶的结构信息。从这来看，我认为Bo等人的观点没有毛病，可能LI等人为了说明问题而说明问题吧。我认为LI等人的大概意思是SDCN学的结构信息还不够，得加上图自编码器学到的特征。

Model：

这个模型看起来就稍微复杂了，但是仔细分析模块间结构还是很清晰的。下半部分看起来是不是很熟悉，和SDCN的结构很像，上半部分看起来是不是也很熟悉，不就是DAEGC嘛！整体来看，该模型通过AE编码属性信息，通过GAE编码结构信息，通过DenseGCN增加GCN的深度，通过三重自监督模块进行无监督自训练达到聚类的目的。

自编码器和图自编码器已经是老生常谈的问题了，就不再详细解释，如果不懂可以看看前面的文章：

自编码器 论文阅读03——《Structural Deep Clustering Network》

图自编码器 论文阅读02——《Attributed Graph Clustering: A Deep Attentional Embedding Approach》

不过值得注意的是，在这篇文章中，作者没有使用计算原始邻接矩阵和重构邻接矩阵间的距离，而是计算两个概率分布间的交叉熵。

GAE

两个节点相连接的概率通过以下公式计算

解码后得到的分布被形式化为

然后计算输入输入数据的邻接矩阵和重构矩阵间的交叉熵

DenseGCN

DenseNet是卷积神经网络 (CNN) 的一种深层方法，它使用层之间的紧密链接来改善网络中的信息流，允许结果在每一层之间重复使用。

DenseGCN每一层的输入为

DenseGCN每一层的输出为

η是拼接函数，DenseNet的体现，利用了前l层以及原始数据的特征。

三重自监督模块

聚类结果分布Q

衡量两个编码器生成的向量与聚类中心的相似度，接着得到目标分布P

所谓三重自监督，就是通过三个部分的损失，联合优化目标损失函数。

算法伪代码

该论文暂时没有找到源码，如果有的话后续补上。