摘要
无监督图聚类是揭示大规模网络中潜在语义模式的基础技术。尽管图对比学习表现出良好的性能，但现有方法在小批量训练中常常面临“结构孤立”问题，难以捕捉到表征全局拓扑分布的凝聚社区结构。
为了解决这些挑战，我们提出了SCISE，一个可扩展的无监督图聚类框架，通过协同社区感知采样与约束结构熵来保持结构完整性。具体而言，我们首先引入了结构熵社区约束算子（SECC），它在约束解空间内优化结构信息，以减少社区碎片化并增强划分的凝聚性。
其次，为了防止在小批量训练中丢失全局信息，我们设计了社区感知采样扩展（CSampE）机制，将目标节点的社区上下文纳入采样批次，有效打破结构障碍并保持拓扑完整性。最后，我们开发了结构对比学习（StructCL）模块，根据批内结构相似性优化边权，引导编码器在更高阶的结构空间中学习表示。
在六个主流基准数据集上的大量实验表明，SCISE显著超越了最先进的算法，消融研究和鲁棒性分析进一步验证了其在现实世界大规模图中的有效性和可靠性。
博主点评： SCISE框架通过创新的社区感知采样与结构熵约束，成功解决了图聚类中的结构孤立问题，为无监督学习提供了新的思路，尤其是在处理复杂网络时显示出其优越性。其设计思路值得借鉴，能够推动图学习领域的进一步发展。