控制与决策

作者：徐森,王作为,郭乃瑄,卞学胜,徐秀芳,花小朋,周天

单位：盐城工学院 信息工程学院，江苏 盐城 224051,,盐城工学院 信息工程学院，江苏 盐城 224051,,盐城工学院 信息工程学院，江苏 盐城 224051;东南大学 计算机网络和信息集成教育部重点实验室，南京 210000,,盐城工学院 信息工程学院，江苏 盐城 224051,,盐城工学院 信息工程学院，江苏 盐城 224051,,盐城工学院 信息工程学院，江苏 盐城 224051,,哈尔滨工程大学 水声工程学院，哈尔滨 150001,

关键词：深度图聚类;自适应加权;图注意力网络;图自编码器;动态结构优化;自监督学习

基金：国家自然科学基金项目 (62076215, 62301473)；中央高校基本科研业务费专项资金项目 (K93-9-2022-03)；江苏省高等教育厅面上项目 (23KJB520039)；江苏省网络与信息安全重点实验室项目 (BM2003201)；江苏高校“青蓝工程”项目；盐城市基础研究计划项目 (YCBK2023008)；盐城市产业创新科技支撑(工业)专项资金项目(YCBG2025201).

现有深度图聚类方法因依赖静态初始图结构而存在显著局限性, 此类结构通常不完整或存在偏差, 且难以动态捕捉节点相似性变化. 对此, 提出基于图注意力自编码器的自适应加权深度图聚类算法(AWDGC). 首先, 通过可训练的广义马氏距离结合高斯核函数, 自适应分配边权重以构建加权邻接矩阵; 其次, 设计图注意力自编码器, 通过注意力机制融合多阶邻居信息以增强特征判别性; 然后, 提出基于节点相似性的动态结构优化策略, 周期性更新邻接矩阵以捕捉相似性动态变化; 最后, 引入自监督聚类模块, 通过KL散度优化聚类分布对齐, 提升特征表示与聚类任务的协同性. 在ACM、DBLP、CITESEER、TEXAS等6个公开数据集上的实验表明, AWDGC在聚类指标上均显著优于8个代表性基线方法.

来源：2026年第1期

《控制与决策》期刊编辑部

查看控制与决策杂志2026年第1期