論文の概要: Deep Embedded Clustering with Distribution Consistency Preservation for
Attributed Networks
- arxiv url: http://arxiv.org/abs/2205.14303v1
- Date: Sat, 28 May 2022 02:35:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-31 14:15:25.886231
- Title: Deep Embedded Clustering with Distribution Consistency Preservation for
Attributed Networks
- Title(参考訳): 分散ネットワークのための分散整合性保存を用いたディープ組込みクラスタリング
- Authors: Yimei Zheng, Caiyan Jia, Jian Yu, Xuanya Li
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 15.895606627146291
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many complex systems in the real world can be characterized by attributed
networks. To mine the potential information in these networks, deep embedded
clustering, which obtains node representations and clusters simultaneously, has
been paid much attention in recent years. Under the assumption of consistency
for data in different views, the cluster structure of network topology and that
of node attributes should be consistent for an attributed network. However,
many existing methods ignore this property, even though they separately encode
node representations from network topology and node attributes meanwhile
clustering nodes on representation vectors learnt from one of the views.
Therefore, in this study, we propose an end-to-end deep embedded clustering
model for attributed networks. It utilizes graph autoencoder and node attribute
autoencoder to respectively learn node representations and cluster assignments.
In addition, a distribution consistency constraint is introduced to maintain
the latent consistency of cluster distributions of two views. Extensive
experiments on several datasets demonstrate that the proposed model achieves
significantly better or competitive performance compared with the
state-of-the-art methods. The source code can be found at
https://github.com/Zhengymm/DCP.
- Abstract(参考訳): 現実世界の多くの複雑なシステムは属性ネットワークによって特徴づけられる。
これらのネットワークの潜在的な情報をマイニングするために,ノード表現とクラスタを同時に取得するディープ・組込みクラスタリングが近年注目されている。
異なるビューにおけるデータの一貫性の仮定の下では、ネットワークトポロジとノード属性のクラスタ構造は、属性付きネットワークに対して一貫性を持つべきである。
しかし、ネットワークトポロジーとノード属性のノード表現を別々にエンコードする一方で、表現ベクトル上のノードをクラスタリングしてそのビューから学習するにもかかわらず、既存の多くの方法がこの特性を無視している。
そこで本研究では,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。
さらに,2つのビューのクラスタ分布の潜在的一貫性を維持するために,分布整合性制約を導入する。
いくつかのデータセットに関する広範囲な実験により、提案されたモデルが最先端の手法よりも著しく優れた性能または競合性能を達成できることが示されている。
ソースコードはhttps://github.com/Zhengymm/DCPにある。
関連論文リスト
- A Dirichlet stochastic block model for composition-weighted networks [0.0]
合成重みベクトルの直接モデリングに基づく合成重み付きネットワークのブロックモデルを提案する。
推論は分類期待-最大化アルゴリズムの拡張によって実装される。
このモデルはシミュレーション研究を用いて検証され,Erasmus交換プログラムのネットワークデータと,ロンドン市における自転車共有ネットワークで実証された。
論文 参考訳(メタデータ) (2024-08-01T15:41:07Z) - Exact Recovery and Bregman Hard Clustering of Node-Attributed Stochastic
Block Model [0.16385815610837165]
本稿では,コミュニティラベルの正確な回復のための情報理論的基準を提案する。
ネットワークと属性情報をどのように交換して正確なリカバリを行うかを示す。
また、共同確率を最大化する反復的クラスタリングアルゴリズムも提示する。
論文 参考訳(メタデータ) (2023-10-30T16:46:05Z) - 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) - DeepCluE: Enhanced Image Clustering via Multi-layer Ensembles in Deep
Neural Networks [53.88811980967342]
本稿では,Ensembles (DeepCluE) を用いたDeep Clusteringを提案する。
ディープニューラルネットワークにおける複数のレイヤのパワーを活用することで、ディープクラスタリングとアンサンブルクラスタリングのギャップを埋める。
6つの画像データセットの実験結果から、最先端のディープクラスタリングアプローチに対するDeepCluEの利点が確認されている。
論文 参考訳(メタデータ) (2022-06-01T09:51:38Z) - 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) - 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) - Variational Co-embedding Learning for Attributed Network Clustering [30.7006907516984]
属性ネットワーククラスタリングの最近の研究は、グラフ畳み込みを利用してノード埋め込みを取得し、同時に埋め込み空間上でクラスタリング割り当てを行う。
属性ネットワーククラスタリング(ANC)のための分散共埋め込み学習モデルを提案する。
ANCは、ノードと属性を同時に埋め込む2つの変分自動エンコーダで構成されている。
論文 参考訳(メタデータ) (2021-04-15T08:11:47Z) - Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。
GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
論文 参考訳(メタデータ) (2020-06-23T04:13:23Z) - Unsupervised Differentiable Multi-aspect Network Embedding [52.981277420394846]
本稿では,asp2vecと呼ばれるマルチアスペクトネットワーク埋め込みのための新しいエンドツーエンドフレームワークを提案する。
提案するフレームワークは容易に異種ネットワークに拡張できる。
論文 参考訳(メタデータ) (2020-06-07T19:26:20Z) - A Block-based Generative Model for Attributed Networks Embedding [42.00826538556588]
本稿では,確率の観点から属性付きネットワーク埋め込みのためのブロックベース生成モデルを提案する。
ニューラルネットワークを用いてノード埋め込みとノード属性間の非線形性を特徴付ける。
その結果,提案手法はクラスタリングと分類タスクの両方において,最先端の埋め込み手法よりも一貫して優れていることがわかった。
論文 参考訳(メタデータ) (2020-01-06T03:44:15Z)
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。