論文の概要: Improved Dual Correlation Reduction Network
- arxiv url: http://arxiv.org/abs/2202.12533v1
- Date: Fri, 25 Feb 2022 07:48:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-28 13:42:36.732321
- Title: Improved Dual Correlation Reduction Network
- Title（参考訳）: 二重相関低減ネットワークの改良
- Authors: Yue Liu, Sihang Zhou, Xinwang Liu, Wenxuan Tu, Xihong Yang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 40.792587861237166
- 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 clusters without human annotations, is a
fundamental yet challenging task. However, we observed that the existing
methods suffer from the representation collapse problem and easily tend to
encode samples with different classes into the same latent embedding.
Consequently, the discriminative capability of nodes is limited, resulting in
sub-optimal clustering performance. To address this problem, we propose a novel
deep graph clustering algorithm termed Improved Dual Correlation Reduction
Network (IDCRN) through improving the discriminative capability of samples.
Specifically, by approximating the cross-view feature correlation matrix to an
identity matrix, we reduce the redundancy between different dimensions of
features, thus improving the discriminative capability of the latent space
explicitly. Meanwhile, the cross-view sample correlation matrix is forced to
approximate the designed clustering-refined adjacency matrix to guide the
learned latent representation to recover the affinity matrix even across views,
thus enhancing the discriminative capability of features implicitly. Moreover,
we avoid the collapsed representation caused by the over-smoothing issue in
Graph Convolutional Networks (GCNs) through an introduced propagation
regularization term, enabling IDCRN to capture the long-range information with
the shallow network structure. Extensive experimental results on six benchmarks
have demonstrated the effectiveness and the efficiency of IDCRN compared to the
existing state-of-the-art deep graph clustering algorithms.
- Abstract（参考訳）: ディープグラフクラスタリングは、基礎となるグラフ構造を明らかにし、ノードを人間のアノテーションなしで異なるクラスタに分割することを目的としている。
しかし,既存の手法は表現崩壊問題に悩まされており,異なるクラスを持つサンプルを同じ潜伏埋め込みに符号化する傾向がある。
これにより、ノードの識別能力が制限され、サブ最適クラスタリング性能が向上する。
この問題に対処するために,サンプルの識別能力を向上させることにより,改良された二元相関補正ネットワーク (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。
具体的には、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し、潜在空間の識別能力を明示的に改善する。
一方、クロスビューサンプル相関行列は、学習された潜在表現を導くために設計されたクラスタリング精製隣接行列を近似させ、ビューをまたいでも親和性行列を回復させ、特徴の識別能力を暗黙的に向上させる。
さらに,導入した伝播正規化項を通じて,グラフ畳み込みネットワーク(gcns)におけるオーバースモーシング問題による崩壊表現を回避し,idcrnが浅層ネットワーク構造で長距離情報をキャプチャできるようにする。
6つのベンチマークによる大規模な実験結果は、既存の最先端のディープグラフクラスタリングアルゴリズムと比較して、IDCRNの有効性と効率性を示している。
関連論文リスト
- Self-Supervised Conditional Distribution Learning on Graphs [15.730933577970687]
本稿では,従来の特徴に対して,弱い特徴と強く拡張された特徴の条件分布を整列するエンドツーエンドグラフ表現学習モデルを提案する。
このアライメントは、グラフ構造化データ拡張による本質的な意味情報の破壊のリスクを効果的に低減する。
論文 参考訳（メタデータ） (2024-11-20T07:26:36Z) - AdaRC: Mitigating Graph Structure Shifts during Test-Time [66.40525136929398]
テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。
AdaRCは,グラフの構造シフトに効果的かつ効率的な適応を意図した,革新的なフレームワークである。
論文 参考訳（メタデータ） (2024-10-09T15:15:40Z) - GASE: Graph Attention Sampling with Edges Fusion for Solving Vehicle Routing Problems [6.084414764415137]
車両のルーティング問題を解決するためにEdges Fusionフレームワークを用いた適応型グラフ注意サンプリングを提案する。
提案手法は,既存の手法を2.08%-6.23%上回り,より強力な一般化能力を示す。
論文 参考訳（メタデータ） (2024-05-21T03:33:07Z) - 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) - Efficient Bilateral Cross-Modality Cluster Matching for Unsupervised Visible-Infrared Person ReID [56.573905143954015]
本稿では, クラスタ間マッチングによるモダリティギャップを低減するための, クラスタマッチングに基づく新たな学習フレームワークを提案する。
このような監視信号の下では、クラスタレベルで特徴を協調的に整列させるために、モダリティ・特定・モダリティ・非依存(MSMA)コントラスト学習フレームワークが提案されている。
公開SYSU-MM01とRegDBデータセットの実験により,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2023-05-22T03:27:46Z) - 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) - Deep Graph Clustering via Dual Correlation Reduction [37.973072977988494]
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。
論文 参考訳（メタデータ） (2021-12-29T04:05:38Z) - Image Clustering using an Augmented Generative Adversarial Network and
Information Maximization [9.614694312155798]
本稿では,GAN (Modified Generative Adversarial Network) と補助分類器からなるディープクラスタリングフレームワークを提案する。
提案手法は, CIFAR-10 と CIFAR-100 のクラスタリング手法を著しく上回り, STL10 と MNIST のデータセットと競合する。
論文 参考訳（メタデータ） (2020-11-08T22:20:33Z) - 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。