論文の概要: Smoothness Sensor: Adaptive Smoothness-Transition Graph Convolutions for
Attributed Graph Clustering
- arxiv url: http://arxiv.org/abs/2009.05743v1
- Date: Sat, 12 Sep 2020 08:12:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-19 07:51:16.932462
- Title: Smoothness Sensor: Adaptive Smoothness-Transition Graph Convolutions for
Attributed Graph Clustering
- Title（参考訳）: スムースネスセンサ:分散グラフクラスタリングのための適応型スムースネス-遷移グラフ畳み込み
- Authors: Chaojie Ji, Hongwei Chen, Ruxin Wang, Yunpeng Cai, Hongyan Wu
- Abstract要約: 適応的滑らか度-遷移グラフ畳み込みに基づく属性グラフクラスタリングのための滑らか度センサを提案する。
グラフレベルの滑らかさの代替として,新しい細粒度ノード単位の滑らかさ評価法を提案する。
実験の結果,提案手法は3つの異なる指標で,他の12の最先端のベースラインを著しく上回ることがわかった。
- 参考スコア（独自算出の注目度）: 10.905770964670191
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Clustering techniques attempt to group objects with similar properties into a
cluster. Clustering the nodes of an attributed graph, in which each node is
associated with a set of feature attributes, has attracted significant
attention. Graph convolutional networks (GCNs) represent an effective approach
for integrating the two complementary factors of node attributes and structural
information for attributed graph clustering. However, oversmoothing of GCNs
produces indistinguishable representations of nodes, such that the nodes in a
graph tend to be grouped into fewer clusters, and poses a challenge due to the
resulting performance drop. In this study, we propose a smoothness sensor for
attributed graph clustering based on adaptive smoothness-transition graph
convolutions, which senses the smoothness of a graph and adaptively terminates
the current convolution once the smoothness is saturated to prevent
oversmoothing. Furthermore, as an alternative to graph-level smoothness, a
novel fine-gained node-wise level assessment of smoothness is proposed, in
which smoothness is computed in accordance with the neighborhood conditions of
a given node at a certain order of graph convolution. In addition, a
self-supervision criterion is designed considering both the tightness within
clusters and the separation between clusters to guide the whole neural network
training process. Experiments show that the proposed methods significantly
outperform 12 other state-of-the-art baselines in terms of three different
metrics across four benchmark datasets. In addition, an extensive study reveals
the reasons for their effectiveness and efficiency.
- Abstract（参考訳）: クラスタリング技術は、類似したプロパティを持つオブジェクトをクラスタにグループ化しようとする。
各ノードが特徴属性のセットに関連付けられている属性グラフのノードをクラスタリングすることは、大きな注目を集めている。
グラフ畳み込みネットワーク(gcns)は、グラフクラスタリングのためのノード属性と構造情報の2つの補完的要素を統合する効果的なアプローチである。
しかし、gcnの過剰なスムーシングは、グラフ内のノードがより少ないクラスタにグループ化される傾向があり、結果としてパフォーマンスが低下するなど、ノードの識別不能な表現を生み出す。
本研究では,グラフの平滑度を感知し,平滑度が飽和した後に電流畳み込みを適応的に終了する適応平滑度・遷移グラフ畳み込みに基づく属性付きグラフクラスタリングのための平滑度センサを提案する。
さらに, グラフレベルの滑らかさの代替として, グラフ畳み込みの一定の順序で, 与えられたノードの近傍条件に応じて滑らかさを算出した, 新たな微細化ノード単位の滑らかさ評価法を提案する。
さらに、クラスタ内のタイト性とクラスタ間の分離の両方を考慮して、ニューラルネットワークトレーニングプロセス全体をガイドする自己スーパービジョン基準を設計する。
実験の結果,提案手法は4つのベンチマークデータセットにまたがる3つのメトリクスで,他の12の最先端のベースラインを著しく上回ることがわかった。
さらに、広範囲な研究によって、その効果と効率の理由が明らかになった。
関連論文リスト
- Modularity aided consistent attributed graph clustering via coarsening [6.522020196906943]
グラフクラスタリングは、属性付きグラフを分割し、コミュニティを検出するための重要な教師なし学習手法である。
本稿では,ブロックの最大化最小化手法を用いて,対数行列,滑らか性,モジュラリティを組み込んだ損失関数を提案する。
我々のアルゴリズムはグラフニューラルネットワーク(GNN)と変分グラフオートエンコーダ(VGAE)をシームレスに統合し、拡張ノードの特徴を学習し、例外的なクラスタリング性能を実現する。
論文 参考訳（メタデータ） (2024-07-09T10:42:19Z) - GraphRARE: Reinforcement Learning Enhanced Graph Neural Network with Relative Entropy [21.553180564868306]
GraphRAREはノード相対エントロピーと深層強化学習に基づいて構築されたフレームワークである。
革新的なノード相対エントロピーは、ノードペア間の相互情報を測定するために使用される。
グラフトポロジを最適化するために,深層強化学習に基づくアルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-12-15T11:30:18Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳（メタデータ） (2023-06-14T09:21:15Z) - Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。
グラフが現在の勾配を混合する能力を定量化する計量法を提案する。
そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
論文 参考訳（メタデータ） (2022-04-13T15:54:35Z) - Graph Decipher: A transparent dual-attention graph neural network to
understand the message-passing mechanism for the node classification [2.0047096160313456]
本稿では,メッセージパッシング機構を調べるために,Graph Decipherと呼ばれる新しい透過型ネットワークを提案する。
本アルゴリズムは,ノード分類タスクの負荷を大幅に低減しつつ,最先端の性能を実現する。
論文 参考訳（メタデータ） (2022-01-04T23:24:00Z) - Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。
本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。
提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
論文 参考訳（メタデータ） (2021-08-15T13:14:28Z) - Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised
Node Classification [59.06717774425588]
本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。
出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。
本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
論文 参考訳（メタデータ） (2021-07-27T19:47:53Z) - Anisotropic Graph Convolutional Network for Semi-supervised Learning [7.843067454030999]
グラフ畳み込みネットワークは、高精度な予測結果を達成するのに有用であることが証明された効率的なノード埋め込みを学習する。
これらのネットワークはグラフの過度な平滑化と縮小効果の問題に悩まされており、それはグラフの端に線形ラプラシア流を用いて拡散するからである。
本稿では,ノードからの情報的特徴を捉える非線形関数を導入し,過度なスムーシングを防止し,半教師付きノード分類のための異方性グラフ畳み込みネットワークを提案する。
論文 参考訳（メタデータ） (2020-10-20T13:56:03Z) - Graph InfoClust: Leveraging cluster-level node information for
unsupervised graph representation learning [12.592903558338444]
本稿では,グラフ InfoClust というグラフ表現学習手法を提案する。
同社はさらに、クラスタレベルの情報コンテンツをキャプチャしようとしている。
この最適化により、ノード表現はよりリッチな情報とノイズ相互作用をキャプチャし、それによって品質が向上する。
論文 参考訳（メタデータ） (2020-09-15T09:33:20Z) - Graph Pooling with Node Proximity for Hierarchical Representation
Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。
その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文 参考訳（メタデータ） (2020-06-19T13:09:44Z) - Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。
推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。
4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
論文 参考訳（メタデータ） (2020-01-17T02:52:30Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。