Preparation for ST Idea

DCGLC

• 标题：Dual Contrastive Graph-Level Clustering with Multiple Cluster Perspectives Alignment
• 作者：National University of Singapore
• 发表会议/期刊：IJCAI
• 年份：2024
• 链接：DCGLC

Generalization

• Main Contribution:
  1. DCGLC，一种端到端的聚类方法，它统一了图对比学习的优化与不同聚类视角的信息整合。
  2. 一种聚类视角对比机制来对齐聚类信息，通过同时考虑图之间的几何和结构关系，从而产生更可靠的聚类分配。
  3. DCGLC在图级聚类任务上优于最先进的基线方法。

Content

• 总体框架：
  

• 方法概述：

  1. general problem
     
  2. loss on graph-level representation
     
  3. two clustering heads
     - Euclidian-based and subspace-based
     
     - Enhancement of clustering reliability
     
     - alignment and contrastive loss
     

ST Idea

1. 通过对比机制来对齐来自不同聚类视角的聚类信息
2. 训练时引入了明确的聚类目标——KL散度(cluster assignment distribution and refined assignment distribution)

MRePath

• 标题：Multimodal Cancer Survival Analysis via Hypergraph Learning with Cross-Modality Rebalance
• 作者：Harbin Institute of Technology
• 发表会议/期刊：IJCAI
• 年份：2025
• 链接：MRePath

Generalization

• Main Contribution:
  1. 提出了一个多模态框架MRePath，以解决WSIs生存分析中基于MIL的信息丢失和病理-基因组模态不平衡的挑战。
  2. 在拓扑和特征空间上构建了一个包含sheaf超图的超图学习框架，以捕捉上下文和层次细节，同时增强模型区分不同类型信息的能力。
  3. 引入了一种模态重平衡方法，包括动态加权机制和交互式对齐融合，以调整两种模态对最终风险预测的贡献。
  4. 在五个公共数据集上的定性和定量实验证明了我们模型的优越性，比先进方法提高了3.4%。

Content

• 总体框架：
  

• Three Stages:
  feature extraction, hypergraph learning, and modality rebalance

  • feature extraction:
    $$
    P \in \mathbb{R}^{N \times d} \quad and \quad G \in \mathbb{R}^{M \times d}
    $$

  • hypergraph learning:
    

  • modality rebalance:

    • Mono-confidence
      
    • Holo-confidence
      
    • Final Weights
      
      $$
      P_w = \omega_p P_h\quad and \quad G_w = \omega_g G
      $$
    • Interactive Alignment Fusion(self-attention)
      

  • target(略):
    

ST Idea

1. 动态权重机制：Mono-confidence & Holo-confidence
2. 交互式对齐融合：co-attention & residual connection

完结撒花