論文の概要: One Node One Model: Featuring the Missing-Half for Graph Clustering

• arxiv url: http://arxiv.org/abs/2412.09902v1
• Date: Fri, 13 Dec 2024 06:42:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-16 15:02:13.822564
• Title: One Node One Model: Featuring the Missing-Half for Graph Clustering
• Title（参考訳）: ひとつのNode Oneモデル:グラフクラスタリングの欠如を特徴とする
• Authors: Xuanting Xie, Bingheng Li, Erlin Pan, Zhaochen Guo, Zhao Kang, Wenyu Chen,
• Abstract要約: グラフクラスタリングの特徴の選択は、クラスタを同時に検出し、これらのクラスタに関連する機能を特定する必要があるため、難しい。 本稿では,各ノードに対して排他的モデルを構築し,ノード群に対する予測の組み合わせとしてノードラベルを定義する「1ノード1モデル」という新しいパラダイムを提案する。 具体的には、提案したFeature Personalized Graph Clustering (FPGC) メソッドは、各ノードのクラスタ関連機能をSwitch-and-excitationブロックを使用して識別し、これらの機能を各モデルに統合して最終的な表現を形成する。
• 参考スコア（独自算出の注目度）: 10.316522132109354
• License:
• Abstract: Most existing graph clustering methods primarily focus on exploiting topological structure, often neglecting the ``missing-half" node feature information, especially how these features can enhance clustering performance. This issue is further compounded by the challenges associated with high-dimensional features. Feature selection in graph clustering is particularly difficult because it requires simultaneously discovering clusters and identifying the relevant features for these clusters. To address this gap, we introduce a novel paradigm called ``one node one model", which builds an exclusive model for each node and defines the node label as a combination of predictions for node groups. Specifically, the proposed ``Feature Personalized Graph Clustering (FPGC)" method identifies cluster-relevant features for each node using a squeeze-and-excitation block, integrating these features into each model to form the final representations. Additionally, the concept of feature cross is developed as a data augmentation technique to learn low-order feature interactions. Extensive experimental results demonstrate that FPGC outperforms state-of-the-art clustering methods. Moreover, the plug-and-play nature of our method provides a versatile solution to enhance GNN-based models from a feature perspective.
• Abstract（参考訳）: 既存のグラフクラスタリング手法の多くは,主にトポロジ的構造を活用することに重点を置いており,特にこれらの特徴がクラスタリング性能を向上させる方法を無視している。この問題は,高次元の特徴にかかわる課題によってさらに複雑化している。グラフクラスタリングの特徴選択は,クラスタの同時検出と関連する特徴の特定を必要とするため,特に困難である。このギャップに対処するために,ノード毎に排他的モデルを構築し,ノードのラベルをノードグループの予測の組み合わせとして定義する,‘1ノード1モデル’と呼ばれる新しいパラダイムを導入する。 具体的には,FPGC (Feature Personalized Graph Clustering) という手法を用いて,各ノードのクラスタ関連機能を特定し,これらの機能を各モデルに統合して最終表現を形成する。 さらに、機能横断の概念は、低次の機能相互作用を学ぶためのデータ拡張技術として開発されている。 大規模な実験結果から、FPGCは最先端のクラスタリング手法より優れていることが示されている。 さらに,本手法のプラグ・アンド・プレイ特性は,機能の観点からGNNモデルを強化する汎用的なソリューションを提供する。

関連論文リスト

• Graph Clustering with Cross-View Feature Propagation [0.48065059125122356]
  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。
  論文  参考訳（メタデータ） (2024-08-12T09:38:15Z)
• 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)
• DGCLUSTER: A Neural Framework for Attributed Graph Clustering via Modularity Maximization [5.329981192545312]
  本稿では,グラフニューラルネットワークを用いてモジュラリティの目的を最適化し,グラフサイズと線形にスケールする新しい手法DGClusterを提案する。 私たちはDGClusterを、さまざまなサイズの実世界のデータセットで、複数の一般的なクラスタ品質メトリクスで広範囲にテストしています。 われわれの手法は最先端の手法よりも一貫して優れており、ほぼすべての設定で顕著な性能向上を示している。
  論文  参考訳（メタデータ） (2023-12-20T01:43:55Z)
• 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)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Scalable Multi-view Clustering with Graph Filtering [18.83570662893356]
  属性データとグラフデータの両方を異質な特徴でクラスタリングする汎用フレームワークを提案する。 具体的には、まず、高周波ノイズを除去するグラフフィルタリング手法を採用する。 スケーラビリティの課題に対処するため、我々はアンカーの品質を向上させるための新しいサンプリング戦略を開発した。
  論文  参考訳（メタデータ） (2022-05-18T22:04:23Z)
• Deep Attention-guided Graph Clustering with Dual Self-supervision [49.040136530379094]
  デュアル・セルフ・スーパービジョン(DAGC)を用いたディープアテンション誘導グラフクラスタリング法を提案する。 我々は,三重項Kulback-Leibler分散損失を持つソフトな自己スーパービジョン戦略と,擬似的な監督損失を持つハードな自己スーパービジョン戦略からなる二重自己スーパービジョンソリューションを開発する。 提案手法は6つのベンチマークデータセットにおける最先端の手法より一貫して優れている。
  論文  参考訳（メタデータ） (2021-11-10T06:53:03Z)
• 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)
• 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)

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。