論文の概要: Variational Graph Generator for Multi-View Graph Clustering

• arxiv url: http://arxiv.org/abs/2210.07011v3
• Date: Mon, 23 Dec 2024 16:29:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 15:51:50.118339
• Title: Variational Graph Generator for Multi-View Graph Clustering
• Title（参考訳）: マルチビューグラフクラスタリングのための変分グラフ生成装置
• Authors: Jianpeng Chen, Yawen Ling, Jie Xu, Yazhou Ren, Shudong Huang, Xiaorong Pu, Zhifeng Hao, Philip S. Yu, Lifang He,
• Abstract要約: マルチビューグラフクラスタリング(VGMGC)のための変分グラフ生成器を提案する。 この生成器は、複数のグラフに対する事前仮定に基づいて、信頼性のある変分コンセンサスグラフを推論する。 推論されたビュー共通グラフとビュー固有のグラフを機能と一緒に埋め込む。
• 参考スコア（独自算出の注目度）: 51.89092260088973
• License:
• Abstract: Multi-view graph clustering (MGC) methods are increasingly being studied due to the explosion of multi-view data with graph structural information. The critical point of MGC is to better utilize view-specific and view-common information in features and graphs of multiple views. However, existing works have an inherent limitation that they are unable to concurrently utilize the consensus graph information across multiple graphs and the view-specific feature information. To address this issue, we propose Variational Graph Generator for Multi-View Graph Clustering (VGMGC). Specifically, a novel variational graph generator is proposed to extract common information among multiple graphs. This generator infers a reliable variational consensus graph based on a priori assumption over multiple graphs. Then a simple yet effective graph encoder in conjunction with the multi-view clustering objective is presented to learn the desired graph embeddings for clustering, which embeds the inferred view-common graph and view-specific graphs together with features. Finally, theoretical results illustrate the rationality of the VGMGC by analyzing the uncertainty of the inferred consensus graph with the information bottleneck principle.Extensive experiments demonstrate the superior performance of our VGMGC over SOTAs. The source code is publicly available at https://github.com/cjpcool/VGMGC.
• Abstract（参考訳）: マルチビューグラフクラスタリング (MGC) 法は, グラフ構造情報を用いたマルチビューデータの爆発により, ますます研究されている。 MGCの要点は、複数のビューの特徴とグラフにおいて、ビュー固有およびビュー共通情報をよりよく活用することである。 しかし、既存の作品には、複数のグラフにわたるコンセンサスグラフ情報とビュー固有の特徴情報とを同時に利用できないという固有の制限がある。 この問題に対処するために,マルチビューグラフクラスタリング(VGMGC)のための変分グラフ生成器を提案する。 具体的には、複数のグラフ間の共通情報を抽出するために、新しい変分グラフ生成器を提案する。 この生成器は、複数のグラフに対する事前仮定に基づいて、信頼性のある変分コンセンサスグラフを推論する。 次に、マルチビュークラスタリングの目的と合わせて、単純で効果的なグラフエンコーダを提示し、推論されたビュー共通グラフとビュー固有グラフを特徴とともに埋め込み、クラスタリングのための所望のグラフ埋め込みを学習する。 最後に,情報ボトルネックの原理による推論されたコンセンサスグラフの不確実性を解析することにより,VGMGCの合理性を示す。 ソースコードはhttps://github.com/cjpcool/VGMGCで公開されている。

関連論文リスト

• Dual-Optimized Adaptive Graph Reconstruction for Multi-View Graph Clustering [19.419832637206138]
  本稿では, DOAGC という2つの最適化された適応グラフ再構成に基づく新しいマルチビューグラフクラスタリング手法を提案する。 主に、従来のGNNの利点を維持しつつ、異種グラフ問題に対処するために、従来のGNNに適合したグラフ構造を再構築することを目的としている。
  論文  参考訳（メタデータ） (2024-10-30T12:50:21Z)
• InstructG2I: Synthesizing Images from Multimodal Attributed Graphs [50.852150521561676]
  InstructG2Iと呼ばれるグラフ文脈条件拡散モデルを提案する。 InstructG2Iはまずグラフ構造とマルチモーダル情報を利用して情報的隣人サンプリングを行う。 Graph-QFormerエンコーダは、グラフノードをグラフプロンプトの補助セットに適応的に符号化し、デノナイジングプロセスを導く。
  論文  参考訳（メタデータ） (2024-10-09T17:56:15Z)
• Multiview Graph Learning with Consensus Graph [24.983233822595274]
  グラフトポロジ推論は多くのアプリケーション領域において重要なタスクである。 多くの現代のデータセットは異質または混合であり、複数の関連するグラフ、すなわちマルチビューグラフを含んでいる。 コンセンサス正則化に基づく代替手法を提案する。 また、脳波記録(EEG)から複数の被験者の脳機能接続ネットワークを推定するためにも用いられる。
  論文  参考訳（メタデータ） (2024-01-24T19:35:54Z)
• MGNet: Learning Correspondences via Multiple Graphs [78.0117352211091]
  学習対応は、不均一な対応分布と低い不整合率で設定された初期対応から正しい対応を見つけることを目的としている。 最近の進歩は、通常、グラフニューラルネットワーク(GNN)を使用して単一のタイプのグラフを構築したり、グローバルなグラフに局所グラフをスタックしてタスクを完了させる。 本稿では,複数の補完グラフを効果的に組み合わせるためのMGNetを提案する。
  論文  参考訳（メタデータ） (2024-01-10T07:58:44Z)
• Graph Mixture of Experts: Learning on Large-Scale Graphs with Explicit Diversity Modeling [60.0185734837814]
  グラフニューラルネットワーク(GNN)は、グラフデータからの学習に広く応用されている。 GNNの一般化能力を強化するため、グラフ強化のような技術を用いて、トレーニンググラフ構造を増強することが慣例となっている。 本研究では,GNNにMixture-of-Experts(MoE)の概念を導入する。
  論文  参考訳（メタデータ） (2023-04-06T01:09:36Z)
• Deep Graph-Level Clustering Using Pseudo-Label-Guided Mutual Information Maximization Network [31.38584638254226]
  我々は、グラフの集合を異なるグループに分割する問題を、同じグループのグラフが類似しているのに対して、異なるグループのグラフが異なるように研究する。 この問題を解決するために,Deep Graph-Level Clustering (DGLC) と呼ばれる新しい手法を提案する。 DGLCはグラフレベルの表現学習とグラフレベルのクラスタリングをエンドツーエンドで実現しています。
  論文  参考訳（メタデータ） (2023-02-05T12:28:08Z)
• CGMN: A Contrastive Graph Matching Network for Self-Supervised Graph Similarity Learning [65.1042892570989]
  自己教師付きグラフ類似性学習のためのコントラストグラフマッチングネットワーク(CGMN)を提案する。 我々は,効率的なノード表現学習のために,クロスビューインタラクションとクロスグラフインタラクションという2つの戦略を用いる。 我々はノード表現をグラフ類似性計算のためのプール演算によりグラフレベル表現に変換する。
  論文  参考訳（メタデータ） (2022-05-30T13:20:26Z)
• Multi-view Contrastive Graph Clustering [12.463334005083379]
  マルチビュー属性グラフデータをクラスタリングするための汎用フレームワークを提案する。 コントラスト学習の成功に触発されて,マルチビューコントラストグラフクラスタリング(MCGC)法を提案する。 私たちの単純なアプローチは、既存のディープラーニングベースの手法よりも優れています。
  論文  参考訳（メタデータ） (2021-10-22T15:22:42Z)
• Multi-Level Graph Contrastive Learning [38.022118893733804]
  本稿では,グラフの空間ビューを対比することで,グラフデータの堅牢な表現を学習するためのマルチレベルグラフコントラスト学習(MLGCL)フレームワークを提案する。 元のグラフは1次近似構造であり、不確実性や誤りを含むが、符号化機能によって生成された$k$NNグラフは高次近接性を保持する。 MLGCLは、7つのデータセット上の既存の最先端グラフ表現学習法と比較して有望な結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-07-06T14:24:43Z)
• Dirichlet Graph Variational Autoencoder [65.94744123832338]
  本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。 バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
  論文  参考訳（メタデータ） (2020-10-09T07:35:26Z)

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。