近日，信息工程学院教师徐秀芳指导研究生丁远富，在中科院2区Top期刊《Neural Networks》上发表题为《Contrastive graph clustering with Structure-Robust learning and stable prototype guidance》的研究成果。

对比图聚类是无监督节点表示学习的有效范式，但在高维属性图中仍面临两个关键挑战：全局共享的特征权重难以反映节点间特征重要性的差异，削弱了簇间可分离性；仅依赖当前预测的目标分布缺乏时间一致性，易引发分配波动和原型漂移。为此，该研究提出了结构鲁棒学习与稳定原型引导的对比图聚类框架（SR-SPG）。该框架融合邻域一致性、Fisher判别和自适应学习三类先验信息，实现节点自适应的特征门控，显著增强特征可分离性；同时通过EMA更新机制构建时间平滑的自训练目标，有效提升训练稳定性。在六个基准数据集上的实验验证了SR-SPG的有效性与鲁棒性。

徐森教授指导研究生赵学成在中科院1区Top期刊《Pattern Recognition》上发表题为《ADCC-MVC: Adaptive fusion and dual contrastive calibration for multi-view clustering》的研究成果。

多视图聚类通过挖掘多视图间的互补信息提升聚类性能，在图像检索、跨模态检索和视频分析等任务中应用广泛。然而，现有方法多采用单正对比设计，在伪标签含噪或跨视图对应关系不精确时鲁棒性不足，难以兼顾局部邻域结构与全局语义一致性。为此，该研究提出了双层多正对比校准框架。该框架采用带视图特定解码器的加权融合编码器学习视图自适应特征，并引入基于实例级Transformer的残差门控融合模块，以建模跨视图交互并抑制噪声视图；进而通过双层多正对比校准，在局部层面强化跨视图一致性，在全局层面捕捉融合表征的整体相似性，同时借助动量编码器提供稳定的对比目标。在八个公开数据集上的实验表明，ADCC-MVC取得了具有竞争力的聚类性能，与代表性基线DealMVC相比，准确率（ACC）、标准化互信息（NMI）和纯度（PUR）分别平均提升4.78、2.92和4.52个百分点。