論文の概要: Reinforcement Graph Clustering with Unknown Cluster Number

• arxiv url: http://arxiv.org/abs/2308.06827v1
• Date: Sun, 13 Aug 2023 18:12:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-15 15:05:06.587430
• Title: Reinforcement Graph Clustering with Unknown Cluster Number
• Title（参考訳）: 未知クラスタ数による強化グラフクラスタリング
• Authors: Yue Liu, Ke Liang, Jun Xia, Xihong Yang, Sihang Zhou, Meng Liu, Xinwang Liu, Stan Z. Li
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 91.4861135742095
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep graph clustering, which aims to group nodes into disjoint clusters by neural networks in an unsupervised manner, has attracted great attention in recent years. Although the performance has been largely improved, the excellent performance of the existing methods heavily relies on an accurately predefined cluster number, which is not always available in the real-world scenario. To enable the deep graph clustering algorithms to work without the guidance of the predefined cluster number, we propose a new deep graph clustering method termed Reinforcement Graph Clustering (RGC). In our proposed method, cluster number determination and unsupervised representation learning are unified into a uniform framework by the reinforcement learning mechanism. Concretely, the discriminative node representations are first learned with the contrastive pretext task. Then, to capture the clustering state accurately with both local and global information in the graph, both node and cluster states are considered. Subsequently, at each state, the qualities of different cluster numbers are evaluated by the quality network, and the greedy action is executed to determine the cluster number. In order to conduct feedback actions, the clustering-oriented reward function is proposed to enhance the cohesion of the same clusters and separate the different clusters. Extensive experiments demonstrate the effectiveness and efficiency of our proposed method. The source code of RGC is shared at https://github.com/yueliu1999/RGC and a collection (papers, codes and, datasets) of deep graph clustering is shared at https://github.com/yueliu1999/Awesome-Deep-Graph-Clustering on Github.
• Abstract（参考訳）: ニューラルネットワークによってノードを不整合クラスタにグループ化することを目的としたディープグラフクラスタリングは、近年大きな注目を集めている。 パフォーマンスは大幅に改善されているが、既存のメソッドの優れたパフォーマンスは、常に現実のシナリオで利用できるわけではない、正確に定義されたクラスタ番号に大きく依存している。 予め定義されたクラスタ番号のガイダンスを使わずにディープグラフクラスタリングアルゴリズムを動作させるため,新たに強化グラフクラスタリング (rgc) と呼ばれる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,強化学習機構により統一的なフレームワークに統合する。 具体的には、識別ノード表現は、まずコントラストプレテキストタスクで学習する。 次に、クラスタリング状態を正確にグラフ内のローカル情報とグローバル情報の両方で捉えるために、ノード状態とクラスタ状態の両方を考慮する。 その後、各状態において、異なるクラスタ番号の品質を品質ネットワークで評価し、そのクラスタ番号を決定するための欲求アクションを実行する。 フィードバック動作を行うために,同一クラスタの凝集性を高め,異なるクラスタを分離するために,クラスタリング指向報酬関数が提案されている。 提案手法の有効性と有効性を示す実験を行った。 RGCのソースコードはhttps://github.com/yueliu1999/RGCで共有され、ディープグラフクラスタリングのコレクション(ペーパー、コード、データセット)はGithubのhttps://github.com/yueliu1999/Awesome-Deep-Graph-Clusteringで共有されている。

関連論文リスト

• The ParClusterers Benchmark Suite (PCBS): A Fine-Grained Analysis of Scalable Graph Clustering [15.047567897051376]
  ParClusterers Benchmark Suite (PCBS)は、高度にスケーラブルな並列グラフクラスタリングアルゴリズムとベンチマークツールのコレクションである。 PCBSは、スケーラブルなグラフクラスタリングアルゴリズムのアクティブな研究領域の品質とパフォーマンスのトレードオフを評価し、判断する標準化された方法を提供する。
  論文  参考訳（メタデータ） (2024-11-15T15:47:32Z)
• Cluster-based Graph Collaborative Filtering [55.929052969825825]
  グラフ畳み込みネットワーク(GCN)は、レコメンデーションシステムのためのユーザおよびアイテム表現の学習に成功している。 既存のGCNベースのほとんどのメソッドは、高階グラフ畳み込みを実行しながら、ユーザの複数の関心事を見落としている。 クラスタベースグラフ協調フィルタリング(ClusterGCF)と呼ばれる新しいGCNベースのレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-16T07:05:16Z)
• Learning Uniform Clusters on Hypersphere for Deep Graph-level Clustering [25.350054742471816]
  我々はUDGC(Uniform Deep Graph Clustering)と呼ばれる新しいディープグラフレベルのクラスタリング手法を提案する。 UDGCはインスタンスを異なるクラスタに均等に割り当て、次にこれらのクラスタをユニットハイパースフィア上に分散させ、より均一なクラスタレベルの分散と、より小さなクラスタ崩壊につながる。 8つのよく知られたデータセットに関する実証研究は、UDGCが最先端のモデルを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2023-11-23T12:08:20Z)
• Dink-Net: Neural Clustering on Large Graphs [59.10189693120368]
  ディープグラフクラスタリング法 (Dink-Net) は, 拡張と縮小という概念を用いて提案される。 ノードを識別することにより、拡張によって劣化しても、表現は自己教師された方法で学習される。 クラスタリング分布は、提案したクラスタ拡張損失とクラスタ縮小損失を最小化することにより最適化される。 ランナアップと比較して、Dink-Net 9.62%は1100万ノードと16億エッジを持つogbn-papers100MデータセットでNMIの改善を実現している。
  論文  参考訳（メタデータ） (2023-05-28T15:33:24Z)
• 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)
• 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)
• 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)

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。