論文の概要: Deep Graph Clustering via Dual Correlation Reduction
- arxiv url: http://arxiv.org/abs/2112.14772v1
- Date: Wed, 29 Dec 2021 04:05:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-03 13:20:36.452513
- Title: Deep Graph Clustering via Dual Correlation Reduction
- Title（参考訳）: 双対相関低減によるディープグラフクラスタリング
- Authors: Yue Liu, Wenxuan Tu, Sihang Zhou, Xinwang Liu, Linxuan Song, Xihong
Yang, En Zhu
- Abstract要約: 本稿では,Dual correlation Reduction Network (DCRN) と呼ばれる自己教師型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,まず,サンプルを符号化するシアムネットワークを設計する。次に,クロスビューサンプル相関行列とクロスビュー特徴相関行列をそれぞれ2つのアイデンティティ行列に近似させることで,二重レベルの情報相関を小さくする。
本稿では,GCNの過度なスムース化による表現の崩壊を軽減するために,ネットワークが長距離情報を得るための伝搬正則化項を導入する。
- 参考スコア（独自算出の注目度）: 37.973072977988494
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep graph clustering, which aims to reveal the underlying graph structure
and divide the nodes into different groups, has attracted intensive attention
in recent years. However, we observe that, in the process of node encoding,
existing methods suffer from representation collapse which tends to map all
data into the same representation. Consequently, the discriminative capability
of the node representation is limited, leading to unsatisfied clustering
performance. To address this issue, we propose a novel self-supervised deep
graph clustering method termed Dual Correlation Reduction Network (DCRN) by
reducing information correlation in a dual manner. Specifically, in our method,
we first design a siamese network to encode samples. Then by forcing the
cross-view sample correlation matrix and cross-view feature correlation matrix
to approximate two identity matrices, respectively, we reduce the information
correlation in the dual-level, thus improving the discriminative capability of
the resulting features. Moreover, in order to alleviate representation collapse
caused by over-smoothing in GCN, we introduce a propagation regularization term
to enable the network to gain long-distance information with the shallow
network structure. Extensive experimental results on six benchmark datasets
demonstrate the effectiveness of the proposed DCRN against the existing
state-of-the-art methods.
- Abstract（参考訳）: 近年,グラフ構造を明らかにし,ノードを異なるグループに分割することを目的としたディープグラフクラスタリングが注目されている。
しかし、ノードエンコーディングの過程で、既存のメソッドは、すべてのデータを同じ表現にマップする傾向がある表現の崩壊に苦しんでいるのを観察する。
その結果、ノード表現の識別能力は制限され、不満足なクラスタリング性能をもたらす。
この問題に対処するために,情報相関を二重に減らし,DCRN(Dual correlation Reduction Network)と呼ばれる自己教師付き深層グラフクラスタリング手法を提案する。
具体的には,まず,サンプルを符号化するシアムネットワークを設計する。
次に、クロスビューサンプル相関行列とクロスビュー特徴相関行列をそれぞれ2つのアイデンティティ行列に近似させることで、両レベルの情報相関を低減し、結果として得られる特徴の識別能力を向上させる。
さらに,GCNの過度な平滑化による表現の崩壊を軽減するため,ネットワークが浅いネットワーク構造で長距離情報を得るための伝搬正規化項を導入する。
6つのベンチマークデータセットの広範な実験結果は、既存の最先端手法に対するdcrnの有効性を示している。
関連論文リスト
- Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。
モデルはGCNを適用するために初期グラフを事前に推定する。
一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
論文 参考訳（メタデータ） (2024-02-25T07:03:37Z) - Network Alignment with Transferable Graph Autoencoders [79.89704126746204]
本稿では,強力で堅牢なノード埋め込みを抽出するグラフオートエンコーダアーキテクチャを提案する。
生成した埋め込みがグラフの固有値と固有ベクトルと結びついていることを証明する。
提案フレームワークは転送学習とデータ拡張を利用して,大規模なネットワークアライメントを実現する。
論文 参考訳（メタデータ） (2023-10-05T02:58:29Z) - EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。
EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。
提案手法はいくつかの最先端手法より一貫して優れている。
論文 参考訳（メタデータ） (2022-11-19T09:08:43Z) - Interpolation-based Correlation Reduction Network for Semi-Supervised
Graph Learning [49.94816548023729]
補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。
提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。
この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
論文 参考訳（メタデータ） (2022-06-06T14:26:34Z) - Simple Contrastive Graph Clustering [41.396185271303956]
既存の手法を改善するための単純なコントラストグラフクラスタリング(SCGC)アルゴリズムを提案する。
我々のアルゴリズムは、最近のコントラストの高いディープクラスタリング競合よりも、平均して7倍のスピードアップを達成している。
論文 参考訳（メタデータ） (2022-05-11T06:45:19Z) - Improved Dual Correlation Reduction Network [40.792587861237166]
改良二重相関低減ネットワーク(IDCRN)と呼ばれる新しいディープグラフクラスタリングアルゴリズムを提案する。
クロスビュー特徴相関行列をアイデンティティ行列に近似することにより、特徴の異なる次元間の冗長性を低減できる。
また,グラフ畳み込みネットワーク(GCN)における過度にスムースな問題による表現の崩壊を,伝播正規化項によって回避する。
論文 参考訳（メタデータ） (2022-02-25T07:48:32Z) - 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) - SLGCN: Structure Learning Graph Convolutional Networks for Graphs under
Heterophily [5.619890178124606]
本稿では2つの側面から問題を緩和する構造学習グラフ畳み込みネットワーク(SLGCN)を提案する。
具体的には、全ての類似ノードから特徴表現を効率的に集約するために、アンカーを用いた効率的なスペクトルクラスタリング(ESC-ANCH)を設計する。
幅広いベンチマークデータセットの実験結果は、提案されたSLGCNが、最先端のGNNよりも優れていることを示している。
論文 参考訳（メタデータ） (2021-05-28T13:00:38Z) - Contrastive and Generative Graph Convolutional Networks for Graph-based
Semi-Supervised Learning [64.98816284854067]
グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。
本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-09-15T13:59:28Z)
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。