論文の概要: Reliable Node Similarity Matrix Guided Contrastive Graph Clustering

• arxiv url: http://arxiv.org/abs/2408.03765v1
• Date: Wed, 7 Aug 2024 13:36:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-08 13:04:22.965910
• Title: Reliable Node Similarity Matrix Guided Contrastive Graph Clustering
• Title（参考訳）: Reliable Node similarity Matrix Guided Contrastive Graph Clustering
• Authors: Yunhui Liu, Xinyi Gao, Tieke He, Tao Zheng, Jianhua Zhao, Hongzhi Yin,
• Abstract要約: 我々は、新しいフレームワーク、Reliable Node similarity Matrix Guided Contrastive Graph Clustering (NS4GC)を紹介した。 本手法は,ノード近傍のアライメントとセマンティック・アウェア・スパリフィケーションを導入し,ノード類似度行列が正確かつ効率的にスパースであることを保証する。
• 参考スコア（独自算出の注目度）: 51.23437296378319
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph clustering, which involves the partitioning of nodes within a graph into disjoint clusters, holds significant importance for numerous subsequent applications. Recently, contrastive learning, known for utilizing supervisory information, has demonstrated encouraging results in deep graph clustering. This methodology facilitates the learning of favorable node representations for clustering by attracting positively correlated node pairs and distancing negatively correlated pairs within the representation space. Nevertheless, a significant limitation of existing methods is their inadequacy in thoroughly exploring node-wise similarity. For instance, some hypothesize that the node similarity matrix within the representation space is identical, ignoring the inherent semantic relationships among nodes. Given the fundamental role of instance similarity in clustering, our research investigates contrastive graph clustering from the perspective of the node similarity matrix. We argue that an ideal node similarity matrix within the representation space should accurately reflect the inherent semantic relationships among nodes, ensuring the preservation of semantic similarities in the learned representations. In response to this, we introduce a new framework, Reliable Node Similarity Matrix Guided Contrastive Graph Clustering (NS4GC), which estimates an approximately ideal node similarity matrix within the representation space to guide representation learning. Our method introduces node-neighbor alignment and semantic-aware sparsification, ensuring the node similarity matrix is both accurate and efficiently sparse. Comprehensive experiments conducted on $8$ real-world datasets affirm the efficacy of learning the node similarity matrix and the superior performance of NS4GC.
• Abstract（参考訳）: グラフクラスタリングは、グラフ内のノードを非結合クラスタに分割することを含む。 近年,監視情報を活用したコントラスト学習が,深層グラフクラスタリングの促進効果を実証している。 この手法は、正の相関ノード対を惹きつけ、表現空間内で負の相関ノード対を分散させることにより、クラスタリングに適したノード表現の学習を容易にする。 それでも、既存の方法の重大な制限は、ノードの類似性を徹底的に探求する上で不十分である。 例えば、表現空間内のノード類似性行列は同一であり、ノード間の固有の意味関係を無視しているという仮説もある。 クラスタリングにおけるインスタンス類似性の基本的役割を考慮し,ノード類似性行列の観点から,コントラストグラフクラスタリングについて検討する。 表現空間内の理想的なノード類似性行列は、ノード間の固有の意味的関係を正確に反映し、学習された表現における意味的類似性を保存するべきである。 これに対応して、表現空間内のほぼ理想的なノード類似度行列を推定し、表現学習をガイドする、信頼性の高いノード類似度行列ガイドコントラストグラフクラスタリング(NS4GC)を導入した。 本手法は,ノード近傍のアライメントとセマンティック・アウェア・スパリフィケーションを導入し,ノード類似度行列が正確かつ効率的にスパースであることを保証する。 8ドルの実世界のデータセットで実施された総合実験により、ノード類似性行列の学習の有効性とNS4GCの優れた性能が確認された。

関連論文リスト

• HeNCler: Node Clustering in Heterophilous Graphs through Learned Asymmetric Similarity [55.27586970082595]
  HeNClerは、Heterophilous Node Clusteringの新しいアプローチである。 HeNClerは異種グラフコンテキストにおけるノードクラスタリングタスクの性能を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2024-05-27T11:04:05Z)
• STERLING: Synergistic Representation Learning on Bipartite Graphs [78.86064828220613]
  二部グラフ表現学習の基本的な課題は、ノードの埋め込みを抽出する方法である。 最近の二部グラフSSL法は、正ノード対と負ノード対を識別することによって埋め込みを学習する対照的な学習に基づいている。 負のノードペアを持たないノード埋め込みを学習するための新しい相乗的表現学習モデル(STERling)を提案する。
  論文  参考訳（メタデータ） (2023-01-25T03:21:42Z)
• PA-GM: Position-Aware Learning of Embedding Networks for Deep Graph Matching [14.713628231555223]
  本稿では,線形代入問題を高次元空間にマッピングできる新しいエンドツーエンドニューラルネットワークを提案する。 我々のモデルは、ノードの相対的な位置に対するアンカーセットを構成する。 そして、相対位置の尺度に基づいて、ターゲットノードと各アンカーノードの特徴情報を集約する。
  論文  参考訳（メタデータ） (2023-01-05T06:54:21Z)
• Rethinking the positive role of cluster structure in complex networks for link prediction tasks [1.4695979686066065]
  クラスタリングは、ノードの密結合したグループを見つけるネットワーク分析における問題である。 リンク予測は、ネットワーク内の2つのノードにリンクがあるかどうかを予測することである。 単純なクラスタリング駆動型リンク予測フレームワークを構築した。
  論文  参考訳（メタデータ） (2022-11-04T12:02:40Z)
• 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)
• Skew-Symmetric Adjacency Matrices for Clustering Directed Graphs [5.301300942803395]
  カットベースの有向グラフ(グラフ)クラスタリングは、しばしばクラスタ内あるいはクラスタ間の疎結合を見つけることに焦点を当てる。 フローベースのクラスタリングでは、クラスタ間のエッジは一方向を向く傾向にあり、マイグレーションデータ、フードウェブ、トレーディングデータに見出されている。
  論文  参考訳（メタデータ） (2022-03-02T20:07:04Z)
• Node Similarity Preserving Graph Convolutional Networks [51.520749924844054]
  グラフニューラルネットワーク(GNN)は、ノード近傍の情報を集約し変換することで、グラフ構造とノードの特徴を探索する。 グラフ構造を利用してノード類似性を効果的かつ効率的に保存できるSimP-GCNを提案する。 本研究は,SimP-GCNが3つの分類グラフと4つの非補助グラフを含む7つのベンチマークデータセットに対して有効であることを示す。
  論文  参考訳（メタデータ） (2020-11-19T04:18:01Z)
• Directed Graph Representation through Vector Cross Product [2.398608007786179]
  グラフ埋め込み法はグラフトポロジーを保ちながら低次元ベクトル空間のグラフにノードを埋め込む。 最近の有向グラフの研究は、各ノードに対する2つの埋め込み(ソースとターゲット)を学習することで、ノード間のエッジの向きを保つために提案されている。 本稿では,ベクトルクロス積の非可換性を利用して,ノード間のエッジ方向を本質的に保存する埋め込みを学習する手法を提案する。
  論文  参考訳（メタデータ） (2020-10-21T03:17:44Z)
• Graph Neural Networks with Composite Kernels [60.81504431653264]
  カーネル重み付けの観点からノード集約を再解釈する。 本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。 特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
  論文  参考訳（メタデータ） (2020-05-16T04:44:29Z)

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。