面向用于属性图聚类的通用基础模型

arXiv:2610.07778v1 公告类型：新 摘要：属性图聚类旨在通过联合利用节点属性和图拓扑结构来发现节点群组，然而，其无监督特性使得模型选择和适配本质上较为困难。现有方法通常针对每个输入图分别训练和调优模型，导致流程成本高昂且脆弱，并且往往无法迁移到具有不同特征空间、结构模式以及属性—结构相关性的图上。本文研究一种通用方案：能否只训练一次单个模型，并将其直接应用于多种属性图，而无需针对特定图进行训练、微调或超参数搜索？我们提出 OFAG，一种用于属性图聚类的基础模型。OFAG 构建于 Prior-data Fitted Networks 之上，从依据关于潜在簇、节点属性和图结构的广泛先验生成的合成属性图中，学习可复用的聚类推理策略。为处理不同图之间不兼容的特征空间，OFAG 采用与维度无关的逐信号图编码器，将每个特征通道视为一个图信号，并对其针对共享图滤波器的响应进行建模。该模型通过超球面聚类目标进行训练，在推理时仅需一次前向传播即可生成有利于聚类的节点表示。在十个数据集上，一个冻结的 OFAG 模型在 NMI、ACC、ARI 和 F1 指标上的平均性能及平均排名均达到最佳，同时完成全部十个数据集仅需 12.43 分钟——速度比第二快的基线方法快 6 倍以上，在聚类质量方面也比第二优方法快近 28 倍。我们的代码和预训练检查点可在 https://github.com/Cloudy1225/OFAG 获取，使实践者无需额外训练或调优，即可将 OFAG 直接应用于自己的属性图数据集。