論文の概要: Dual Contrastive Attributed Graph Clustering Network
- arxiv url: http://arxiv.org/abs/2206.07897v1
- Date: Thu, 16 Jun 2022 03:17:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-17 16:01:28.939528
- Title: Dual Contrastive Attributed Graph Clustering Network
- Title（参考訳）: Dual Contrastive Attributed Graph Clustering Network
- Authors: Tong Wang, Guanyu Yang, Junhua Wu, Qijia He, and Zhenquan Zhang
- Abstract要約: 我々はDCAGC(Dual Contrastive Attributed Graph Clustering Network)と呼ばれる汎用フレームワークを提案する。
DCAGCでは、近隣のコントラストモジュールを利用することで、近隣ノードの類似性を最大化し、ノード表現の品質を向上させる。
DCAGCのすべてのモジュールは、統一されたフレームワークでトレーニングされ、最適化されているため、学習されたノード表現にはクラスタリング指向のメッセージが含まれている。
- 参考スコア（独自算出の注目度）: 6.796682703663566
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Attributed graph clustering is one of the most important tasks in graph
analysis field, the goal of which is to group nodes with similar
representations into the same cluster without manual guidance. Recent studies
based on graph contrastive learning have achieved impressive results in
processing graph-structured data. However, existing graph contrastive learning
based methods 1) do not directly address the clustering task, since the
representation learning and clustering process are separated; 2) depend too
much on graph data augmentation, which greatly limits the capability of
contrastive learning; 3) ignore the contrastive message for subspace
clustering. To accommodate the aforementioned issues, we propose a generic
framework called Dual Contrastive Attributed Graph Clustering Network (DCAGC).
In DCAGC, by leveraging Neighborhood Contrast Module, the similarity of the
neighbor nodes will be maximized and the quality of the node representation
will be improved. Meanwhile, the Contrastive Self-Expression Module is built by
minimizing the node representation before and after the reconstruction of the
self-expression layer to obtain a discriminative self-expression matrix for
spectral clustering. All the modules of DCAGC are trained and optimized in a
unified framework, so the learned node representation contains
clustering-oriented messages. Extensive experimental results on four attributed
graph datasets show the superiority of DCAGC compared with 16 state-of-the-art
clustering methods. The code of this paper is available at
https://github.com/wangtong627/Dual-Contrastive-Attributed-Graph-Clustering-Network.
- Abstract（参考訳）: フェクトグラフクラスタリングは、グラフ分析の分野で最も重要なタスクの1つであり、手動のガイダンスなしで、同じ表現を持つノードを同じクラスタにグループ化するのが目標である。
グラフコントラスト学習に基づく最近の研究は,グラフ構造化データの処理において顕著な成果を上げている。
しかし、既存のグラフコントラスト学習に基づく手法
1) 表現学習とクラスタリングプロセスが分離されているため,クラスタリングタスクに直接対処しない。
2)グラフデータの強化に大きく依存するので,コントラスト学習の能力は大きく制限される。
3) サブスペースクラスタリングのコントラストメッセージは無視する。
上記の問題に対処するため,DCAGC(Dual Contrastive Attributed Graph Clustering Network)と呼ばれる汎用フレームワークを提案する。
DCAGCでは、隣接コントラストモジュールを利用することで、近隣ノードの類似性を最大化し、ノード表現の品質を向上させる。
一方、自己表現層の再構築前後のノード表現を最小化し、スペクトルクラスタリングのための識別的自己表現行列を得ることで、対比自己表現モジュールを構築する。
DCAGCのすべてのモジュールは、統一されたフレームワークでトレーニングされ、最適化されているため、学習されたノード表現にはクラスタリング指向のメッセージが含まれている。
4つの属性グラフデータセットの総合的な実験結果から,DCAGCは16の最先端クラスタリング法に比べて優れていた。
この記事のコードはhttps://github.com/wangtong627/Dual-Contrastive-Attributed-Graph-Clustering-Networkで公開されている。
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) - 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) - Homophily-enhanced Structure Learning for Graph Clustering [19.586401211161846]
グラフ構造学習は、欠落したリンクを追加し、スプリアス接続を取り除くことで、入力グラフの精細化を可能にする。
グラフ構造学習におけるこれまでの取り組みは、主に教師付き設定を中心に行われてきた。
グラフクラスタリングのためのtextbfhomophily-enhanced structure textbflearning という新しい手法を提案する。
論文 参考訳（メタデータ） (2023-08-10T02:53:30Z) - GLCC: A General Framework for Graph-level Clustering [5.069852282550117]
本稿では,グラフレベルのクラスタリングの問題について検討する。
GLCC(Graph-Level Contrastive Clustering)というグラフレベルの一般的なクラスタリングフレームワークを提案する。
様々なよく知られたデータセットに対する実験は、競合するベースラインよりも提案したGLCCの方が優れていることを示す。
論文 参考訳（メタデータ） (2022-10-21T11:08:10Z) - ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial
Multi-View Clustering [52.491074276133325]
部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。
提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
論文 参考訳（メタデータ） (2022-03-01T02:32:25Z) - Graph Representation Learning via Contrasting Cluster Assignments [57.87743170674533]
GRCCAと呼ばれるクラスタ割り当てを対比して、教師なしグラフ表現モデルを提案する。
クラスタリングアルゴリズムとコントラスト学習を組み合わせることで、局所的およびグローバルな情報を合成的にうまく活用する動機付けがある。
GRCCAは、ほとんどのタスクにおいて強力な競争力を持っている。
論文 参考訳（メタデータ） (2021-12-15T07:28:58Z) - 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) - 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) - Graph InfoClust: Leveraging cluster-level node information for
unsupervised graph representation learning [12.592903558338444]
本稿では,グラフ InfoClust というグラフ表現学習手法を提案する。
同社はさらに、クラスタレベルの情報コンテンツをキャプチャしようとしている。
この最適化により、ノード表現はよりリッチな情報とノイズ相互作用をキャプチャし、それによって品質が向上する。
論文 参考訳（メタデータ） (2020-09-15T09:33:20Z)
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。