論文の概要: Multilayer Graph Contrastive Clustering Network

• arxiv url: http://arxiv.org/abs/2112.14021v1
• Date: Tue, 28 Dec 2021 07:21:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-30 14:02:45.166405
• Title: Multilayer Graph Contrastive Clustering Network
• Title（参考訳）: 多層グラフコントラストクラスタリングネットワーク
• Authors: Liang Liu, Zhao Kang, Ling Tian, Wenbo Xu, Xixu He
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 14.864683908759327
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multilayer graph has garnered plenty of research attention in many areas due to their high utility in modeling interdependent systems. However, clustering of multilayer graph, which aims at dividing the graph nodes into categories or communities, is still at a nascent stage. Existing methods are often limited to exploiting the multiview attributes or multiple networks and ignoring more complex and richer network frameworks. To this end, we propose a generic and effective autoencoder framework for multilayer graph clustering named Multilayer Graph Contrastive Clustering Network (MGCCN). MGCCN consists of three modules: (1)Attention mechanism is applied to better capture the relevance between nodes and neighbors for better node embeddings. (2)To better explore the consistent information in different networks, a contrastive fusion strategy is introduced. (3)MGCCN employs a self-supervised component that iteratively strengthens the node embedding and clustering. Extensive experiments on different types of real-world graph data indicate that our proposed method outperforms state-of-the-art techniques.
• Abstract（参考訳）: 多層グラフは、相互依存システムのモデリングにおける高い有用性のために、多くの分野で多くの研究の注目を集めている。 しかし,グラフノードをカテゴリやコミュニティに分割することを目的とした多層グラフのクラスタリングはまだ初期段階にある。 既存のメソッドは、しばしばマルチビュー属性や複数のネットワークを利用して、より複雑でリッチなネットワークフレームワークを無視している。 本研究では,多層グラフクラスタリングのための汎用的かつ効果的なオートエンコーダフレームワークである多層グラフコントラストクラスタリングネットワーク(mgccn)を提案する。 MGCCNは以下の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係をよりよく把握し、ノードの埋め込みを改善する。 2) 異なるネットワークにおける一貫性情報をより深く探究するために, コントラスト的融合戦略を導入する。 (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。 実世界のグラフデータの多種多様な実験により,提案手法が最先端技術より優れていることを示す。

関連論文リスト

• DGCLUSTER: A Neural Framework for Attributed Graph Clustering via Modularity Maximization [5.329981192545312]
  本稿では,グラフニューラルネットワークを用いてモジュラリティの目的を最適化し,グラフサイズと線形にスケールする新しい手法DGClusterを提案する。 私たちはDGClusterを、さまざまなサイズの実世界のデータセットで、複数の一般的なクラスタ品質メトリクスで広範囲にテストしています。 われわれの手法は最先端の手法よりも一貫して優れており、ほぼすべての設定で顕著な性能向上を示している。
  論文  参考訳（メタデータ） (2023-12-20T01:43:55Z)
• Multi-view Graph Convolutional Networks with Differentiable Node Selection [29.575611350389444]
  差別化可能なノード選択(MGCN-DNS)を備えた多視点グラフ畳み込みネットワーク(Multi-view Graph Convolutional Network)を提案する。 MGCN-DNSは、マルチチャネルグラフ構造データを入力として受け入れ、微分可能なニューラルネットワークを通じてより堅牢なグラフ融合を学ぶことを目的としている。 提案手法の有効性は,最先端手法と厳密な比較により検証した。
  論文  参考訳（メタデータ） (2022-12-09T21:48:36Z)
• 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)
• Deep Image Clustering with Contrastive Learning and Multi-scale Graph Convolutional Networks [58.868899595936476]
  コントラスト学習とマルチスケールグラフ畳み込みネットワーク(IcicleGCN)を用いた画像クラスタリング手法を提案する。 複数の画像データセットの実験は、最先端のIcicleGCNよりも優れたクラスタリング性能を示している。
  論文  参考訳（メタデータ） (2022-07-14T19:16:56Z)
• 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)
• Semi-Supervised Deep Learning for Multiplex Networks [20.671777884219555]
  多重ネットワークは複雑なグラフ構造であり、エンティティの集合が複数のタイプの関係によって相互に接続される。 マルチプレックスネットワーク上の構造認識表現学習のための,新しい半教師付き手法を提案する。
  論文  参考訳（メタデータ） (2021-10-05T13:37:43Z)
• 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)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。 空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)
• Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
  グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。 複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。 本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:03:06Z)

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。