摘要

近年来，大多数图聚类方法采用图自编码器（Graph Auto-Encoders, GAEs）实现聚类与嵌入学习的联合优化。然而，现有方法忽视了两个关键问题。其一，由于在存在噪声的聚类分配下进行学习，导致误差累积，从而降低了聚类模型的有效性与鲁棒性，这一问题被称为特征随机性（Feature Randomness）。其二，重构邻接矩阵的过程使模型学习到与聚类任务无关的相似性信息，这一问题被称为特征漂移（Feature Drift）。值得注意的是，上述两个问题之间的理论关联尚未得到系统研究。本文从两个层面深入探讨这些问题：（1）当聚类与重构在同一层级上同时进行时，特征随机性与特征漂移之间存在一种权衡关系；（2）相较于传统的自编码器模型，GAE模型在图卷积操作和图解码结构设计的双重影响下，特征漂移问题更为显著。基于上述发现，我们对基于GAE的聚类方法进行了重新构型。所提出的方法包含两个核心组件：第一，设计了一个采样算子 $Ξ$，用于激活对噪声聚类分配的保护机制，从而缓解特征随机性问题；第二，提出一个校正算子 $Υ$，通过逐步将重构图转化为面向聚类目标的图结构，实现对特征漂移的纠正。作为主要优势，本方法显著提升了聚类的准确性和鲁棒性，且可无缝集成至现有的GAE模型中，具有良好的通用性与可扩展性。