論文の概要: Contrastive Deep Graph Clustering with Learnable Augmentation

• arxiv url: http://arxiv.org/abs/2212.03559v1
• Date: Wed, 7 Dec 2022 10:19:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 16:32:10.945302
• Title: Contrastive Deep Graph Clustering with Learnable Augmentation
• Title（参考訳）: 学習可能な拡張による対比深部グラフクラスタリング
• Authors: Xihong Yang, Yue Liu, Sihang Zhou, Siwei Wang, Xinwang Liu, En Zhu
• Abstract要約: 本稿では,GCC-LDA(Learningable Graph Data Augmentation)を用いたグラフコントラストクラスタリング手法を提案する。 本フレームワークでは,構造レベルと属性レベルの両方の強化学習のために,構造拡張器と属性拡張器を構築した。 6つのベンチマークデータセットに対するGCC-LDAの有効性を示す実験。
• 参考スコア（独自算出の注目度）: 57.501674624697166
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph contrastive learning is an important method for deep graph clustering. The existing methods first generate the graph views with stochastic augmentations and then train the network with a cross-view consistency principle. Although good performance has been achieved, we observe that the existing augmentation methods are usually random and rely on pre-defined augmentations, which is insufficient and lacks negotiation between the final clustering task. To solve the problem, we propose a novel Graph Contrastive Clustering method with the Learnable graph Data Augmentation (GCC-LDA), which is optimized completely by the neural networks. An adversarial learning mechanism is designed to keep cross-view consistency in the latent space while ensuring the diversity of augmented views. In our framework, a structure augmentor and an attribute augmentor are constructed for augmentation learning in both structure level and attribute level. To improve the reliability of the learned affinity matrix, clustering is introduced to the learning procedure and the learned affinity matrix is refined with both the high-confidence pseudo-label matrix and the cross-view sample similarity matrix. During the training procedure, to provide persistent optimization for the learned view, we design a two-stage training strategy to obtain more reliable clustering information. Extensive experimental results demonstrate the effectiveness of GCC-LDA on six benchmark datasets.
• Abstract（参考訳）: グラフの対比学習はディープグラフクラスタリングの重要な手法である。 既存の手法はまず確率的な拡張でグラフビューを生成し、次にクロスビュー一貫性の原則でネットワークをトレーニングする。 性能は良好だが,既存の拡張手法は通常ランダムであり,事前定義された拡張に依存しており,これは不十分であり,最終クラスタリングタスク間の交渉が不十分である。 そこで本研究では,ニューラルネットワークによって完全に最適化されたLearable Graph Data Augmentation (GCC-LDA) を用いたグラフコントラストクラスタリング手法を提案する。 対角学習機構は、拡張ビューの多様性を確保しつつ、潜在空間におけるクロスビュー一貫性を維持するように設計されている。 本フレームワークでは,構造レベルと属性レベルの両方の強化学習のために,構造拡張器と属性拡張器を構築した。 学習親和性行列の信頼性を向上させるため、学習手順にクラスタリングを導入し、高信頼擬似ラベル行列とクロスビューサンプル類似性行列の両方を用いて学習親和性行列を洗練する。 学習過程において,学習視点に対する永続的最適化を提供するため,より信頼性の高いクラスタリング情報を得るために,2段階のトレーニング戦略を設計する。 6つのベンチマークデータセットに対するGCC-LDAの有効性を示した。

関連論文リスト

• GRE^2-MDCL: Graph Representation Embedding Enhanced via Multidimensional Contrastive Learning [0.0]
  グラフ表現学習は、ノードをベクトル表現にマッピングする際にグラフトポロジを保存する強力なツールとして登場した。 現在のグラフニューラルネットワークモデルは、広範なラベル付きデータを必要とするという課題に直面している。 多次元コントラスト学習によるグラフ表現埋め込みを提案する。
  論文  参考訳（メタデータ） (2024-09-12T03:09:05Z)
• Multi-Task Curriculum Graph Contrastive Learning with Clustering Entropy Guidance [25.5510013711661]
  本稿ではクラスタリング誘導型Curriculum Graph contrastive Learning(CCGL)フレームワークを提案する。 CCGLは以下のグラフ拡張とコントラスト学習のガイダンスとしてクラスタリングエントロピーを使用している。 実験の結果,CCGLは最先端の競合に比べて優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-22T02:18:47Z)
• 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)
• LightGCL: Simple Yet Effective Graph Contrastive Learning for Recommendation [9.181689366185038]
  グラフニューラルクラスタリングネットワーク(GNN)は、グラフベースのレコメンデータシステムのための強力な学習手法である。 本稿では,単純なグラフコントラスト学習パラダイムであるLightGCLを提案する。
  論文  参考訳（メタデータ） (2023-02-16T10:16:21Z)
• SMARTQUERY: An Active Learning Framework for Graph Neural Networks through Hybrid Uncertainty Reduction [25.77052028238513]
  本稿では,ハイブリッド不確実性低減関数を用いて,ラベル付きノードの少ないグラフニューラルネットワークを学習するフレームワークを提案する。 ごく少数のラベル付きデータを用いた最先端技術に対する本手法の競合性能を実証する。
  論文  参考訳（メタデータ） (2022-12-02T20:49:38Z)
• GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
  グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。 本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-24T02:58:36Z)
• MGAE: Masked Autoencoders for Self-Supervised Learning on Graphs [55.66953093401889]
  Masked Graph Autoencoder (MGAE) フレームワークは、グラフ構造データの効果的な学習を行う。 自己指導型学習から洞察を得て、私たちはランダムに大量のエッジを隠蔽し、トレーニング中に欠落したエッジを再構築しようとします。
  論文  参考訳（メタデータ） (2022-01-07T16:48:07Z)
• 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)
• 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。