loom-contrastive-contrastive_cluster

论文名称	哪一层	year	创新点	实验结果	笔记地址	损失函数	评价	待做实验	MLP共享权重
Attributed Graph Clustering with Dual Redundancy Reduction	gcn层	22	用相似性矩阵来和A进行对比,来获取更多的结构信息	AMAP72	pages/Attributed Graph Clustering with Dual Redundancy Reduction	MSE+对比损失+聚类级别对比损失	理论上最好的算法	先复现结果,并把MSE计算的地方修改(换到Z处)	T
Dink-Net	大图聚类	23	大图聚类,没多少创新	74	pages/Dink-Net	BCE+MSE+center_loss	理论上bce比对比损失差,就类似于池化层之于图像	查看其为什么高?
Reinforcement Graph Clustering with Unknown Cluster Number	聚类层	23	将ELBOW类似的kmeans改造为深度聚类的kmeans,创新点一般般	AMAP 69	pages/RGC	network:contrastive_loss+kl_loss cluster_num:MSE+center_loss	创新点一般,堵我后路~		N
Simple Contrastive Graph Clustering	gcn层,特征提取层,对比层	22	1.将相似性矩阵与A对比,并将传统的对比损失去掉2.将提取的特征加了高斯噪音	AMAP 67%	SCGC	similar matrix loss	这篇文章过于关注对比矩阵,而省略掉了数据本身信息
Hard Sample Aware Network for Contrastive Deep Graph Clustering	gcn层,对比层	23	1.gcn从单纯的高斯变为特征对比和结构对比2.将对比损失改造(引入了超参)(用聚类标签来作为高置信度)	67%	pages/HSAN	改造的对比损失	这篇文章吸取了异构网络的教训,引入了两个对比,但是结果一般般.感觉原因在于硬数据挖掘设计的不够好	将其用在其他上是否会提高?
Self-supervised Heterogeneous Graph Neural Network with Co-contrastive Learning	异构图
Cluster-guided Contrastive Graph Clustering Network	对比层	23	将正常的对比学习和计算聚类损失变为高置信度的聚类点算两箱	67%	pages/Cluster-guided Contrastive Graph Clustering Network	对比+center_loss	和hard sample几乎一模一样