G-NAC 论文发布：图神经自动机实现无监督聚类

Keith Miller 团队发布论文 G-NAC: Graph Neural Automata Clustering via Emergent Domain Formation。该方法提出一种无监督聚类框架，让观测数据作为固定邻域图上的细胞进行交互，通过循环图神经细胞规则演化潜在领域状态，进而转化为基于秩的谱亲和力进行分割。 在 57 个基准数据集、共 73 个聚类任务上，G-NAC 的平均调整 Rand 指数（ARI）达 0.7951，仅次于 Genie（0.7941 为其他基线对比值，注：原文表述为优于除 Genie 外的其他基线，此处依原文记录）。实验还表明，其学习到的规则可从较小源图迁移至独立的 10 万节点样本中，展现了一定的泛化能力。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。