近日，团队的论文成果被中科院二区、CCF C类期刊《Neurocomputing》录用发表。

图1 论文的Web页面展示

论文题目：Linear-time attributed graph clustering via collaborative learning of adaptive anchors

论文地址：https://doi.org/10.1016/j.neucom.2025.132191

论文概述：

本文针对当前属性图聚类方法在锚点优化与自表示矩阵学习解耦、多视图信息融合不充分等方面存在的不足，提出了一种线性时间的属性图聚类方法。研究成果已发表于 Neurocomputing。论文提出了一种基于自适应锚点协同学习的属性图聚类框架，其核心思想是通过协同优化锚点与自表示矩阵，并结合视图自适应锚点学习策略，实现单视图与多视图属性图的高效聚类。具体创新点包括：

1. 协同锚点学习策略：通过动态联合优化锚点与自表示矩阵，实现双向反馈与相互增强，克服传统方法中锚点固定或独立优化导致的表示偏差，显著提升聚类精度。

2. 视图自适应锚点学习策略：针对多视图属性图，设计视图特定的锚点矩阵与共享自表示矩阵，在保留各视图独特信息的同时强化视图间一致性，实现多视图信息的有效融合。

该方法在九个真实数据集上进行了广泛实验，结果表明在聚类准确率和运行效率上均优于现有基线方法，并具备线性时间与空间复杂度，适用于大规模属性图分析。

图2  基于自适应锚点协同学习的属性图聚类框架