論文の概要: Deep Attention-guided Graph Clustering with Dual Self-supervision
- arxiv url: http://arxiv.org/abs/2111.05548v1
- Date: Wed, 10 Nov 2021 06:53:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-11 20:21:37.931391
- Title: Deep Attention-guided Graph Clustering with Dual Self-supervision
- Title(参考訳): dual self-supervision を用いた深い注意誘導グラフクラスタリング
- Authors: Zhihao Peng and Hui Liu and Yuheng Jia and Junhui Hou
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 49.040136530379094
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Existing deep embedding clustering works only consider the deepest layer to
learn a feature embedding and thus fail to well utilize the available
discriminative information from cluster assignments, resulting performance
limitation. To this end, we propose a novel method, namely deep
attention-guided graph clustering with dual self-supervision (DAGC).
Specifically, DAGC first utilizes a heterogeneity-wise fusion module to
adaptively integrate the features of an auto-encoder and a graph convolutional
network in each layer and then uses a scale-wise fusion module to dynamically
concatenate the multi-scale features in different layers. Such modules are
capable of learning a discriminative feature embedding via an attention-based
mechanism. In addition, we design a distribution-wise fusion module that
leverages cluster assignments to acquire clustering results directly. To better
explore the discriminative information from the cluster assignments, we develop
a dual self-supervision solution consisting of a soft self-supervision strategy
with a triplet Kullback-Leibler divergence loss and a hard self-supervision
strategy with a pseudo supervision loss. Extensive experiments validate that
our method consistently outperforms state-of-the-art methods on six benchmark
datasets. Especially, our method improves the ARI by more than 18.14% over the
best baseline.
- Abstract(参考訳): 既存のディープ埋め込みクラスタリングは、機能埋め込みを学ぶための最も深いレイヤのみを考慮し、クラスタ割り当てから利用可能な識別情報をうまく利用できないため、パフォーマンスの制限が生じる。
そこで本研究では,DAGC(Double Self-supervision)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手法を提案する。
具体的には、dagcはまず、各層におけるオートエンコーダとグラフ畳み込みネットワークの特徴を適応的に統合するためにヘテロゲニティ・アズ・アズ・フュージョンモジュールを使用し、その後、スケール・アズ・フュージョンモジュールを使用して異なる層にマルチスケールな特徴を動的に結合する。
このようなモジュールは、注意に基づくメカニズムを介して識別的特徴埋め込みを学習することができる。
さらに,クラスタ割り当てを利用してクラスタリング結果を直接取得する分散型融合モジュールを設計した。
クラスタ割り当てから識別情報を明らかにするために,三重項カルバックリーバ分岐損失を伴うソフトな自己スーパービジョン戦略と疑似スーパービジョン損失を伴うハード自己スーパービジョン戦略からなるデュアルセルフスーパービジョンソリューションを開発した。
広範な実験により,本手法が6つのベンチマークデータセットにおける最先端メソッドを一貫して上回っていることを確認した。
特に本手法は,最高のベースラインに対して18.14%以上改善する。
関連論文リスト
- Self-Supervised Contrastive Graph Clustering Network via Structural Information Fusion [15.293684479404092]
CGCN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,事前学習プロセスにコントラスト信号と深部構造情報を導入している。
本手法は,複数の実世界のグラフデータセットに対して実験的に検証されている。
論文 参考訳(メタデータ) (2024-08-08T09:49:26Z) - 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 Multi-View Subspace Clustering with Anchor Graph [11.291831842959926]
アンカーグラフ(DMCAG)を用いた深層多視点サブスペースクラスタリング手法を提案する。
DMCAGは各ビューの埋め込み機能を独立して学習し、サブスペース表現を得るために使用される。
本手法は他の最先端手法よりも優れたクラスタリング性能を実現する。
論文 参考訳(メタデータ) (2023-05-11T16:17:43Z) - Dual Information Enhanced Multi-view Attributed Graph Clustering [11.624319530337038]
本稿では,Dual Information enhanced Multi-view Attributed Graph Clustering (DIAGC)法を提案する。
提案手法では,複数の視点からのコンセンサスと特定情報の探索を阻害する特定情報再構成(SIR)モジュールを提案する。
相互情報最大化(MIM)モジュールは、潜在高レベル表現と低レベル表現との合意を最大化し、高レベル表現が所望のクラスタリング構造を満たすことを可能にする。
論文 参考訳(メタデータ) (2022-11-28T01:18:04Z) - Rethinking Clustering-Based Pseudo-Labeling for Unsupervised
Meta-Learning [146.11600461034746]
教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。
このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。
このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
論文 参考訳(メタデータ) (2022-09-27T19:04:36Z) - Attention-driven Graph Clustering Network [49.040136530379094]
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。
論文 参考訳(メタデータ) (2021-08-12T02:30:38Z) - 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) - Learning to Cluster Faces via Confidence and Connectivity Estimation [136.5291151775236]
重複する部分グラフを多数必要とせず,完全に学習可能なクラスタリングフレームワークを提案する。
提案手法はクラスタリングの精度を大幅に向上させ,その上で訓練した認識モデルの性能を向上させるが,既存の教師付き手法に比べて桁違いに効率的である。
論文 参考訳(メタデータ) (2020-04-01T13:39:37Z)
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。