論文の概要: Differentiable Cluster Graph Neural Network
- arxiv url: http://arxiv.org/abs/2405.16185v1
- Date: Sat, 25 May 2024 11:23:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-29 00:31:06.138386
- Title: Differentiable Cluster Graph Neural Network
- Title(参考訳): 微分可能なクラスタグラフニューラルネットワーク
- Authors: Yanfei Dong, Mohammed Haroon Dupty, Lambert Deng, Zhuanghua Liu, Yong Liang Goh, Wee Sun Lee,
- Abstract要約: 本稿では、追加のクラスタノードを用いて、クラスタリング誘導バイアスをメッセージパッシング機構に組み込むフレームワークを提案する。
提案手法は局所的および大域的情報の両方を効果的に捉えることができ, ヘテロ親和性データセットとホモ親和性データセットの両方に関する広範な実験によって実証された。
- 参考スコア(独自算出の注目度): 16.26923480430114
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph Neural Networks often struggle with long-range information propagation and in the presence of heterophilous neighborhoods. We address both challenges with a unified framework that incorporates a clustering inductive bias into the message passing mechanism, using additional cluster-nodes. Central to our approach is the formulation of an optimal transport based implicit clustering objective function. However, the algorithm for solving the implicit objective function needs to be differentiable to enable end-to-end learning of the GNN. To facilitate this, we adopt an entropy regularized objective function and propose an iterative optimization process, alternating between solving for the cluster assignments and updating the node/cluster-node embeddings. Notably, our derived closed-form optimization steps are themselves simple yet elegant message passing steps operating seamlessly on a bipartite graph of nodes and cluster-nodes. Our clustering-based approach can effectively capture both local and global information, demonstrated by extensive experiments on both heterophilous and homophilous datasets.
- Abstract(参考訳): グラフニューラルネットワークは、長距離情報伝播や異種近傍の存在に苦慮することが多い。
我々は、追加のクラスタノードを使用して、メッセージパッシングメカニズムにクラスタリング誘導バイアスを組み込む統一されたフレームワークで、両方の課題に対処します。
我々のアプローチの中心は、最適輸送に基づく暗黙的クラスタリング目的関数の定式化である。
しかし、暗黙的目的関数を解くアルゴリズムは、GNNのエンドツーエンド学習を可能にするために微分可能である必要がある。
これを容易にするために、エントロピー正規化対象関数を採用し、クラスタ割り当ての解決とノード/クラスタノードの埋め込みの更新を交互に行う反復最適化プロセスを提案する。
特に,得られたクローズドフォーム最適化ステップは,ノードとクラスタノードの2部グラフ上でシームレスに動作する,単純かつエレガントなメッセージパッシングステップである。
クラスタリングに基づくアプローチは, 局所的およびグローバル的情報の両方を効果的に捉えることができ, ヘテロ親和性データセットとホモ親和性データセットの両方に関する広範な実験によって実証された。
関連論文リスト
- 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) - DeepCut: Unsupervised Segmentation using Graph Neural Networks
Clustering [6.447863458841379]
本研究では,従来のクラスタリング手法を置き換える軽量グラフニューラルネットワーク(GNN)を提案する。
既存の手法とは異なり、GNNはローカル画像特徴と生特徴とのペアワイズ親和性の両方を入力として取ります。
画像セグメンテーションGNNを訓練するための自己教師付き損失関数として,古典的クラスタリングの目的を定式化する方法を実証する。
論文 参考訳(メタデータ) (2022-12-12T12:31:46Z) - Unified Multi-View Orthonormal Non-Negative Graph Based Clustering
Framework [74.25493157757943]
我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。
また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
論文 参考訳(メタデータ) (2022-11-03T08:18:27Z) - Simplifying Clustering with Graph Neural Networks [5.571369922847262]
本稿では、適切なメッセージパッシング層を備えたグラフニューラルネットワークが、バランスの取れた項のみを最適化することにより、優れたクラスタ割り当てを実現できることを示す。
属性付きグラフデータセットの結果は、クラスタリング性能と時間の観点から提案手法の有効性を示す。
論文 参考訳(メタデータ) (2022-07-18T17:36:54Z) - Interpolation-based Correlation Reduction Network for Semi-Supervised
Graph Learning [49.94816548023729]
補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。
提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。
この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
論文 参考訳(メタデータ) (2022-06-06T14:26:34Z) - Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。
グラフが現在の勾配を混合する能力を定量化する計量法を提案する。
そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
論文 参考訳(メタデータ) (2022-04-13T15:54:35Z) - 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) - Interpretable Clustering on Dynamic Graphs with Recurrent Graph Neural
Networks [24.017988997693262]
ノードとノードのクラスタメンバーシップ間の接続が時間とともに変化する可能性がある動的グラフにおけるノードのクラスタリングの問題を検討する。
まず,ノード間の重み付き接続に基づいてノードをクラスタ化し,その重みが時間とともに一定速度で減少する,簡易な崩壊ベースのクラスタリングアルゴリズムを提案する。
本稿では,各クラスタの最適減衰率を特徴付け,真のクラスタのほぼ完全回復を実現するクラスタリング手法を提案する。
論文 参考訳(メタデータ) (2020-12-16T04:31:19Z) - Smoothness Sensor: Adaptive Smoothness-Transition Graph Convolutions for
Attributed Graph Clustering [10.905770964670191]
適応的滑らか度-遷移グラフ畳み込みに基づく属性グラフクラスタリングのための滑らか度センサを提案する。
グラフレベルの滑らかさの代替として,新しい細粒度ノード単位の滑らかさ評価法を提案する。
実験の結果,提案手法は3つの異なる指標で,他の12の最先端のベースラインを著しく上回ることがわかった。
論文 参考訳(メタデータ) (2020-09-12T08:12:27Z) - Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。
複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。
本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
論文 参考訳(メタデータ) (2020-06-26T17:03:06Z)
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。