論文の概要: Multi-Relation Graph-Kernel Strengthen Network for Graph-Level Clustering

• arxiv url: http://arxiv.org/abs/2504.01605v1
• Date: Wed, 02 Apr 2025 11:17:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 13:20:06.031997
• Title: Multi-Relation Graph-Kernel Strengthen Network for Graph-Level Clustering
• Title（参考訳）: グラフレベルクラスタリングのためのマルチリレーショナルグラフカーネル強化ネットワーク
• Authors: Renda Han, Guangzhen Yao, Wenxin Zhang, Yu Li, Wen Xin, Huajie Lei, Mengfei Li, Zeyu Zhang, Chengze Du, Yahe Tian,
• Abstract要約: グラフレベルクラスタリングのためのマルチリレーショナルグラフカーネル強化ネットワーク(MGSN)を提案する。 MGSNは、ノードとグラフ間の多様な意味関係を捉えるために、マルチリレーショナルグラフを構築する。 リレーショナル・アウェアな表現改善戦略を設計し、ビュー間で多関係情報を適応的に整列させる。
• 参考スコア（独自算出の注目度）: 10.67474681549171
• License:
• Abstract: Graph-level clustering is a fundamental task of data mining, aiming at dividing unlabeled graphs into distinct groups. However, existing deep methods that are limited by pooling have difficulty extracting diverse and complex graph structure features, while traditional graph kernel methods rely on exhaustive substructure search, unable to adaptive handle multi-relational data. This limitation hampers producing robust and representative graph-level embeddings. To address this issue, we propose a novel Multi-Relation Graph-Kernel Strengthen Network for Graph-Level Clustering (MGSN), which integrates multi-relation modeling with graph kernel techniques to fully leverage their respective advantages. Specifically, MGSN constructs multi-relation graphs to capture diverse semantic relationships between nodes and graphs, which employ graph kernel methods to extract graph similarity features, enriching the representation space. Moreover, a relation-aware representation refinement strategy is designed, which adaptively aligns multi-relation information across views while enhancing graph-level features through a progressive fusion process. Extensive experiments on multiple benchmark datasets demonstrate the superiority of MGSN over state-of-the-art methods. The results highlight its ability to leverage multi-relation structures and graph kernel features, establishing a new paradigm for robust graph-level clustering.
• Abstract（参考訳）: グラフレベルのクラスタリングは、ラベルのないグラフを別々のグループに分割することを目的とした、データマイニングの基本的なタスクである。 しかし、プーリングによって制限された既存のディープメソッドは、多種多様な複雑なグラフ構造の特徴を抽出することが困難であり、一方、従来のグラフカーネル手法は徹底的なサブ構造探索に依存しており、マルチリレーショナルなデータを扱うことができない。 この制限ハマーは、堅牢で代表的なグラフレベルの埋め込みを生み出す。 この問題に対処するために,グラフカーネル技術とマルチリレーショナルモデリングを統合し,それぞれの利点をフル活用するMGSN(Multi-Relation Graph-Kernel Strengthen Network for Graph-Level Clustering)を提案する。 具体的には、MGSNはノードとグラフ間の多様な意味関係を捉え、グラフカーネル法を用いてグラフ類似性の特徴を抽出し、表現空間を豊かにする。 さらに、グラフレベルの特徴をプログレッシブ・フュージョン・プロセスを通じて拡張しつつ、ビュー間のマルチリレーション情報を適応的に整列するリレーショナル・アウェアな表現改善戦略を設計する。 複数のベンチマークデータセットに対する大規模な実験は、最先端の手法よりもMGSNの方が優れていることを示した。 その結果、マルチリレーション構造とグラフカーネルの機能を活用する能力を強調し、堅牢なグラフレベルのクラスタリングのための新しいパラダイムを確立した。

関連論文リスト

• Transforming Graphs for Enhanced Attribute Clustering: An Innovative Graph Transformer-Based Method [8.989218350080844]
  本研究では、グラフクラスタリングのためのグラフトランスフォーマーオートエンコーダ(GTAGC)と呼ばれる革新的な手法を提案する。 Graph Auto-EncoderをGraph Transformerでマージすることで、GTAGCはノード間のグローバルな依存関係をキャプチャできる。 GTAGCのアーキテクチャはグラフの埋め込み、オートエンコーダ構造内のグラフ変換器の統合、クラスタリングコンポーネントを含んでいる。
  論文  参考訳（メタデータ） (2023-06-20T06:04:03Z)
• High-order Multi-view Clustering for Generic Data [15.764819403555512]
  グラフベースのマルチビュークラスタリングは、ほとんどの非グラフアプローチよりも優れたパフォーマンスを実現している。 本稿では,高次マルチビュークラスタリング (HMvC) という手法を導入し,汎用データのトポロジ構造情報を探索する。
  論文  参考訳（メタデータ） (2022-09-22T07:49:38Z)
• Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
  本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。 クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
  論文  参考訳（メタデータ） (2021-09-24T08:01:23Z)
• 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)
• Multiple Graph Learning for Scalable Multi-view Clustering [26.846642220480863]
  少数のアンカー点とテンソルシャッテンp-ノルム最小化による効率的な多重グラフ学習モデルを提案する。 具体的には、各ビューに対してアンカーグラフを用いて、隠蔽かつトラクタブルな大きなグラフを構築する。 本研究では,データサイズと線形にスケールする効率的なアルゴリズムを開発し,提案したモデルを解く。
  論文  参考訳（メタデータ） (2021-06-29T13:10:56Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Diversified Multiscale Graph Learning with Graph Self-Correction [55.43696999424127]
  2つのコア成分を組み込んだ多次元グラフ学習モデルを提案します。 情報埋め込みグラフを生成するグラフ自己補正(GSC)機構、および入力グラフの包括的な特性評価を達成するために多様性ブースト正規化(DBR)。 一般的なグラフ分類ベンチマークの実験は、提案されたGSCメカニズムが最先端のグラフプーリング方法よりも大幅に改善されることを示しています。
  論文  参考訳（メタデータ） (2021-03-17T16:22:24Z)
• Accurate Learning of Graph Representations with Graph Multiset Pooling [45.72542969364438]
  本稿では,その構造的依存関係に応じてノード間の相互作用をキャプチャするグラフマルチセットトランス (GMT) を提案する。 実験の結果,GMTはグラフ分類ベンチマークにおいて,最先端のグラフプーリング法を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-02-23T07:45:58Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。