TKDE-2024《BGAE: Auto-Encoding Multi-View Bipartite Graph Clustering》

2. 核心思想

这篇论文的核心思想在于重新思考现有的无监督多视图二分图聚类（MVBGC）范式。作者指出，现有的 MVBGC 模型通常采用一种常见的设计，即直接从输入数据构建二分图，这仅仅考虑了单向的“编码”（encoding）过程。然而，在深度学习中，“编码 - 解码”（encoding-decoding）机制（如自编码器 AE）非常流行且成功。

受此启发，本文首次尝试将“编码 - 解码”设计迁移到传统的图机器学习领域，提出了一种名为**自动编码多视图二分图聚类（BGAE）**的新框架。该框架将编码、二分图构建和解码模块集成在一个自监督学习 manner 中：

1. 编码模块：从输入数据中提取潜在的联合表示（latent joint representation）。
2. 二分图构建模块：在潜在语义空间中学习具有连通性约束的二分图。
3. 解码模块：通过二分图重建输入数据。

这种设计不仅提供了学习过程的反馈，使学到的表示不远离输入数据从而保留初始流形结构，还避免了“接近完美”复制的无意义性（undercomplete AE 思想）。最终，BGAE 将表示学习、二分图学习、重建学习和标签推断集成到一个统一框架中。

3. 目标函数

BGAE 的目标函数由三部分组成：表示学习损失L1L_1<