論文の概要: Graph Clustering with Cross-View Feature Propagation

• arxiv url: http://arxiv.org/abs/2408.06029v1
• Date: Mon, 12 Aug 2024 09:38:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-13 14:25:27.703940
• Title: Graph Clustering with Cross-View Feature Propagation
• Title（参考訳）: クロスビュー機能プロパゲーションによるグラフクラスタリング
• Authors: Zhixuan Duan, Zuo Wang, Fanghui Bi,
• Abstract要約: グラフデータにおけるクラスタ識別を強化するために,多視点特徴伝搬を利用した新しい手法であるGCFP(Graph Clustering with Cross-View Feature Propagation)を提案する。 実世界のグラフを用いた実験により,GCCFPのクラスタリング性能は確立された手法に比べて優れていた。
• 参考スコア（独自算出の注目度）: 0.48065059125122356
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph clustering is a fundamental and challenging learning task, which is conventionally approached by grouping similar vertices based on edge structure and feature similarity.In contrast to previous methods, in this paper, we investigate how multi-view feature propagation can influence cluster discovery in graph data.To this end, we present Graph Clustering With Cross-View Feature Propagation (GCCFP), a novel method that leverages multi-view feature propagation to enhance cluster identification in graph data.GCCFP employs a unified objective function that utilizes graph topology and multi-view vertex features to determine vertex cluster membership, regularized by a module that supports key latent feature propagation. We derive an iterative algorithm to optimize this function, prove model convergence within a finite number of iterations, and analyze its computational complexity. Our experiments on various real-world graphs demonstrate the superior clustering performance of GCCFP compared to well-established methods, manifesting its effectiveness across different scenarios.
• Abstract（参考訳）: グラフクラスタリングは,従来,エッジ構造と特徴類似性に基づいて類似の頂点をグループ化してアプローチされてきた,基本的かつ困難な学習課題である。本稿では,グラフデータのクラスタ発見にマルチビュー特徴伝搬がどのように影響を与えるかを検討する。この目的のために,グラフデータのクラスタ識別を強化するために,マルチビュー特徴伝搬を利用した新しい手法であるGCCFPを提案する。GCCFPでは,グラフトポロジとマルチビュー頂点機能を利用して,重要な潜在特徴伝搬をサポートするモジュールによって正規化された頂点クラスタメンバシップを決定する,統一的な目的関数を採用している。 この関数を最適化し、有限個の反復でモデル収束を証明し、その計算複雑性を解析するための反復アルゴリズムを導出する。 本実験は,GCCFPのクラスタリング性能が,確立された手法と比較して優れており,様々なシナリオにまたがって有効性を示すものである。

関連論文リスト

• One for all: A novel Dual-space Co-training baseline for Large-scale Multi-View Clustering [42.92751228313385]
  我々は、Dual-space Co-training Large-scale Multi-view Clustering (DSCMC)という新しいマルチビュークラスタリングモデルを提案する。 提案手法の主な目的は,2つの異なる空間における協調学習を活用することにより,クラスタリング性能を向上させることである。 我々のアルゴリズムは近似線形計算複雑性を持ち、大規模データセットへの適用が成功することを保証している。
  論文  参考訳（メタデータ） (2024-01-28T16:30:13Z)
• Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
  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。
  論文  参考訳（メタデータ） (2023-08-13T18:12:28Z)
• Homophily-enhanced Structure Learning for Graph Clustering [19.586401211161846]
  グラフ構造学習は、欠落したリンクを追加し、スプリアス接続を取り除くことで、入力グラフの精細化を可能にする。 グラフ構造学習におけるこれまでの取り組みは、主に教師付き設定を中心に行われてきた。 グラフクラスタリングのためのtextbfhomophily-enhanced structure textbflearning という新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-10T02:53:30Z)
• 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)
• ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial Multi-View Clustering [52.491074276133325]
  部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。 提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
  論文  参考訳（メタデータ） (2022-03-01T02:32:25Z)
• Fine-grained Graph Learning for Multi-view Subspace Clustering [2.4094285826152593]
  マルチビューサブスペースクラスタリング(FGL-MSC)のためのきめ細かいグラフ学習フレームワークを提案する。 主な課題は、クラスタリングタスクに適合する学習グラフを生成しながら、微細な融合重みを最適化する方法である。 8つの実世界のデータセットの実験では、提案されたフレームワークは最先端の手法に匹敵する性能を示している。
  論文  参考訳（メタデータ） (2022-01-12T18:00:29Z)
• 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)
• 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)
• 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)
• Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
  本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。 提案されたSSCAGは最先端のアプローチと競合する。
  論文  参考訳（メタデータ） (2021-04-24T08:09:27Z)

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。