論文の概要: Attention-driven Graph Clustering Network

• arxiv url: http://arxiv.org/abs/2108.05499v1
• Date: Thu, 12 Aug 2021 02:30:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-14 02:32:47.825829
• Title: Attention-driven Graph Clustering Network
• Title（参考訳）: 注意駆動型グラフクラスタリングネットワーク
• Authors: Zhihao Peng, Hui Liu, Yuheng Jia, Junhui Hou
• Abstract要約: 我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。 AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。 AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
• 参考スコア（独自算出の注目度）: 49.040136530379094
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The combination of the traditional convolutional network (i.e., an auto-encoder) and the graph convolutional network has attracted much attention in clustering, in which the auto-encoder extracts the node attribute feature and the graph convolutional network captures the topological graph feature. However, the existing works (i) lack a flexible combination mechanism to adaptively fuse those two kinds of features for learning the discriminative representation and (ii) overlook the multi-scale information embedded at different layers for subsequent cluster assignment, leading to inferior clustering results. To this end, we propose a novel deep clustering method named Attention-driven Graph Clustering Network (AGCN). Specifically, AGCN exploits a heterogeneity-wise fusion module to dynamically fuse the node attribute feature and the topological graph feature. Moreover, AGCN develops a scale-wise fusion module to adaptively aggregate the multi-scale features embedded at different layers. Based on a unified optimization framework, AGCN can jointly perform feature learning and cluster assignment in an unsupervised fashion. Compared with the existing deep clustering methods, our method is more flexible and effective since it comprehensively considers the numerous and discriminative information embedded in the network and directly produces the clustering results. Extensive quantitative and qualitative results on commonly used benchmark datasets validate that our AGCN consistently outperforms state-of-the-art methods.
• Abstract（参考訳）: 従来の畳み込みネットワーク(すなわちオートエンコーダ)とグラフ畳み込みネットワークの組み合わせは、クラスタリングにおいて多くの注目を集めており、自動エンコーダはノード属性の特徴を抽出し、グラフ畳み込みネットワークはトポロジカルグラフの特徴をキャプチャする。 しかし、既存の研究 (i) では、識別表現を学ぶための2種類の特徴を適応的に融合させる柔軟な組み合わせ機構が欠如しており、(ii) その後のクラスタ割り当てのために異なる層に埋め込まれたマルチスケール情報を見落とし、クラスタリング結果が劣る。 そこで本研究では,AGCN(Attention-driven Graph Clustering Network)と呼ばれる新しいディープクラスタリング手法を提案する。 具体的には、AGCNは不均一な融合モジュールを利用して、ノード属性特徴とトポロジグラフ特徴を動的に融合する。 さらにagcnは、異なる層に埋め込まれたマルチスケール機能を適応的に集約するスケールワイズフュージョンモジュールを開発した。 統一最適化フレームワークに基づいて、AGCNは教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。 従来のディープクラスタリング手法と比較して,ネットワークに埋め込まれた多数の識別情報を包括的に検討し,クラスタリング結果を直接生成するため,より柔軟かつ効果的である。 一般的に使用されているベンチマークデータセットの大規模な定量的および定性的な結果から、AGCNが一貫して最先端の手法より優れていることが確認できます。

関連論文リスト

• A Versatile Framework for Attributed Network Clustering via K-Nearest Neighbor Augmentation [14.327262299413789]
  ANCKAは、属性グラフクラスタリング(AGC)、属性多重グラフクラスタリング(AMGC)、属性ハイパーグラフクラスタリング(AHC)が可能な汎用属性ネットワーククラスタリングフレームワークとして開発されている。 我々は,提案手法を8つの属性付きハイパーグラフ上の19の競合,6つの属性付きグラフ上の16の競合,および3つの属性付き多重グラフ上の16の競合と比較した。
  論文  参考訳（メタデータ） (2024-08-10T06:59:51Z)
• Cluster-based Graph Collaborative Filtering [55.929052969825825]
  グラフ畳み込みネットワーク(GCN)は、レコメンデーションシステムのためのユーザおよびアイテム表現の学習に成功している。 既存のGCNベースのほとんどのメソッドは、高階グラフ畳み込みを実行しながら、ユーザの複数の関心事を見落としている。 クラスタベースグラフ協調フィルタリング(ClusterGCF)と呼ばれる新しいGCNベースのレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-16T07:05:16Z)
• Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
  本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。 提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。 フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
  論文  参考訳（メタデータ） (2023-08-13T18:12:28Z)
• Deep Embedded Clustering with Distribution Consistency Preservation for Attributed Networks [15.895606627146291]
  本研究では,属性ネットワークに対するエンドツーエンドの深層クラスタリングモデルを提案する。 グラフオートエンコーダとノード属性オートエンコーダを使用して、ノード表現とクラスタ割り当てをそれぞれ学習する。 提案手法は, 最先端手法と比較して, 性能が著しく向上する。
  論文  参考訳（メタデータ） (2022-05-28T02:35:34Z)
• Multilayer Graph Contrastive Clustering Network [14.864683908759327]
  MGCCN(Multilayer Graph Contrastive Clustering Network)と呼ばれる多層グラフクラスタリングのための汎用的で効果的なオートエンコーダフレームワークを提案する。 MGCCNは3つのモジュールから構成される。(1)ノードと隣接ノードの関連性をよりよく把握するためにアテンション機構が適用され、(2)異なるネットワークにおける一貫性のある情報をよりよく探索するためにコントラスト融合戦略が導入され、(3)MGCCNはノードの埋め込みとクラスタリングを反復的に強化する自己管理コンポーネントを採用している。
  論文  参考訳（メタデータ） (2021-12-28T07:21:13Z)
• Deep Attention-guided Graph Clustering with Dual Self-supervision [49.040136530379094]
  デュアル・セルフ・スーパービジョン(DAGC)を用いたディープアテンション誘導グラフクラスタリング法を提案する。 我々は,三重項Kulback-Leibler分散損失を持つソフトな自己スーパービジョン戦略と,擬似的な監督損失を持つハードな自己スーパービジョン戦略からなる二重自己スーパービジョンソリューションを開発する。 提案手法は6つのベンチマークデータセットにおける最先端の手法より一貫して優れている。
  論文  参考訳（メタデータ） (2021-11-10T06:53:03Z)
• Self-supervised Contrastive Attributed Graph Clustering [110.52694943592974]
  我々は,自己教師型コントラストグラフクラスタリング(SCAGC)という,新たな属性グラフクラスタリングネットワークを提案する。 SCAGCでは,不正確なクラスタリングラベルを活用することで,ノード表現学習のための自己教師付きコントラスト損失を設計する。 OOSノードでは、SCAGCはクラスタリングラベルを直接計算できる。
  論文  参考訳（メタデータ） (2021-10-15T03:25:28Z)
• CaEGCN: Cross-Attention Fusion based Enhanced Graph Convolutional Network for Clustering [51.62959830761789]
  クロスアテンションに基づくディープクラスタリングフレームワークCross-Attention Fusion based Enhanced Graph Convolutional Network (CaEGCN)を提案する。 CaEGCNには、クロスアテンション融合、Content Auto-Encoder、Graph Convolutional Auto-Encoder、および自己監視モデルという4つの主要なモジュールが含まれている。 異なるタイプのデータセットに対する実験結果は、提案したCaEGCNの優位性とロバスト性を証明する。
  論文  参考訳（メタデータ） (2021-01-18T05:21:59Z)
• Deep Fusion Clustering Network [38.540761683389135]
  深層クラスタリングのための深層フュージョンクラスタリングネットワーク(DFCN)を提案する。 本ネットワークでは,オートエンコーダとグラフオートエンコーダが学習した表現を明示的にマージするために,相互依存学習に基づく構造化と属性情報融合(SAIF)モジュールを提案する。 6つのベンチマークデータセットの実験により、提案されたDFCNは最先端のディープクラスタリング手法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-12-15T09:37:59Z)

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。