不确定性感知的深度图聚类及其在空间转录组数据中的应用

深度图聚类（DGC）因能将图中节点划分为有意义的簇群而广受关注，但现有DGC方法常忽视数据固有噪声的影响，这类噪声会引入随机不确定性并降低聚类性能。为此，提出新型不确定性感知图聚类框架UGC：该框架一方面通过强化有效连接、抑制虚假边优化原始图结构，另一方面建模分布表示以捕捉特征与结构层面模糊性带来的不确定性，并在高置信度拓扑与聚类信息引导下，将此不确定性通过对比学习融入训练过程；此外，UGC还引入一致性学习促进双视图间分布语义对齐以强化视图特异性噪声抑制，同时设计不确定性感知表示融合机制进一步减轻噪声或矛盾信息的影响。基准数据集实验表明UGC持续优于现有先进方法，且将其扩展到空间转录组数据领域识别任务的验证与分析，也进一步证实了其有效性与稳健性。