論文の概要: A Noise-Resilient Semi-Supervised Graph Autoencoder for Overlapping Semantic Community Detection

• arxiv url: http://arxiv.org/abs/2505.05965v1
• Date: Fri, 09 May 2025 11:34:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-12 20:40:10.24396
• Title: A Noise-Resilient Semi-Supervised Graph Autoencoder for Overlapping Semantic Community Detection
• Title（参考訳）: 重なり合う意味的コミュニティ検出のための耐雑音性半スーパービジョングラフオートエンコーダ
• Authors: Abdelfateh Bekkair, Slimane Bellaouar, Slimane Oulad-Naoui,
• Abstract要約: 重なり合う構造を持つネットワークにおけるコミュニティ検出は依然として重要な課題である。 重なり合うコミュニティを頑健に検出するために,グラフの多面的注意とモジュール性を組み合わせた半教師付きグラフオートエンコーダを提案する。 主なイノベーションは、耐雑音性アーキテクチャと、コミュニティの品質に最適化されたセマンティックな半教師付き設計である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Community detection in networks with overlapping structures remains a significant challenge, particularly in noisy real-world environments where integrating topology, node attributes, and prior information is critical. To address this, we propose a semi-supervised graph autoencoder that combines graph multi-head attention and modularity maximization to robustly detect overlapping communities. The model learns semantic representations by fusing structural, attribute, and prior knowledge while explicitly addressing noise in node features. Key innovations include a noise-resistant architecture and a semantic semi-supervised design optimized for community quality through modularity constraints. Experiments demonstrate superior performance the model outperforms state-of-the-art methods in overlapping community detection (improvements in NMI and F1-score) and exhibits exceptional robustness to attribute noise, maintaining stable performance under 60\% feature corruption. These results highlight the importance of integrating attribute semantics and structural patterns for accurate community discovery in complex networks.
• Abstract（参考訳）: 重なり合う構造を持つネットワークにおけるコミュニティ検出は、特にトポロジ、ノード属性、事前情報の統合が重要となるノイズの多い実環境において、依然として重要な課題である。 そこで本稿では,重なり合うコミュニティを頑健に検出するために,グラフのマルチヘッドアテンションとモジュラリティの最大化を組み合わせた半教師付きグラフオートエンコーダを提案する。 このモデルは、構造、属性、事前知識を融合させ、ノードの特徴のノイズに明示的に対処することで意味表現を学習する。 主なイノベーションは、耐雑音性アーキテクチャと、モジュラリティ制約を通じてコミュニティの品質に最適化されたセマンティックな半教師付き設計である。 実験では、コミュニティ検出(NMIとF1スコアの改善)のオーバーラップにおける最先端の手法よりも優れた性能を示し、特性ノイズに対する例外的な堅牢性を示し、機能劣化の60%以下で安定した性能を維持する。 これらの結果は、複雑なネットワークにおける正確なコミュニティ発見のための属性セマンティクスと構造パターンを統合することの重要性を強調している。

関連論文リスト

• Graph with Sequence: Broad-Range Semantic Modeling for Fake News Detection [18.993270952535465]
  BREAKは偽ニュース検出のための広範囲セマンティクスモデルである。 完全に接続されたグラフを利用して、包括的なセマンティクスをキャプチャする。 構造ノイズと特徴ノイズの両方を最小限に抑えるために、デュアルデノゲーションモジュールを使用している。
  論文  参考訳（メタデータ） (2024-12-07T14:35:46Z)
• Noise-Resilient Unsupervised Graph Representation Learning via Multi-Hop Feature Quality Estimation [53.91958614666386]
  グラフニューラルネットワーク(GNN)に基づく教師なしグラフ表現学習(UGRL) マルチホップ特徴量推定(MQE)に基づく新しいUGRL法を提案する。
  論文  参考訳（メタデータ） (2024-07-29T12:24:28Z)
• Modularity aided consistent attributed graph clustering via coarsening [6.522020196906943]
  グラフクラスタリングは、属性付きグラフを分割し、コミュニティを検出するための重要な教師なし学習手法である。 本稿では,ブロックの最大化最小化手法を用いて,対数行列,滑らか性,モジュラリティを組み込んだ損失関数を提案する。 我々のアルゴリズムはグラフニューラルネットワーク(GNN)と変分グラフオートエンコーダ(VGAE)をシームレスに統合し、拡張ノードの特徴を学習し、例外的なクラスタリング性能を実現する。
  論文  参考訳（メタデータ） (2024-07-09T10:42:19Z)
• Mesh Denoising Transformer [104.5404564075393]
  Mesh Denoisingは、入力メッシュからノイズを取り除き、特徴構造を保存することを目的としている。 SurfaceFormerはTransformerベースのメッシュDenoisingフレームワークのパイオニアだ。 局所曲面記述子(Local Surface Descriptor)として知られる新しい表現は、局所幾何学的複雑さをキャプチャする。 Denoising Transformerモジュールは、マルチモーダル情報を受信し、効率的なグローバル機能アグリゲーションを実現する。
  論文  参考訳（メタデータ） (2024-05-10T15:27:43Z)
• Hybrid Convolutional and Attention Network for Hyperspectral Image Denoising [54.110544509099526]
  ハイパースペクトル画像(HSI)は、ハイパースペクトルデータの効果的な解析と解釈に重要である。 ハイブリット・コンボリューション・アテンション・ネットワーク(HCANet)を提案する。 主流HSIデータセットに対する実験結果は,提案したHCANetの合理性と有効性を示している。
  論文  参考訳（メタデータ） (2024-03-15T07:18:43Z)
• UGMAE: A Unified Framework for Graph Masked Autoencoders [67.75493040186859]
  グラフマスク付きオートエンコーダのための統一フレームワークであるUGMAEを提案する。 まず,ノードの特異性を考慮した適応型特徴マスク生成器を開発した。 次に,階層型構造再構成と特徴再構成を併用し,総合的なグラフ情報を取得する。
  論文  参考訳（メタデータ） (2024-02-12T19:39:26Z)
• Reconstruction Enhanced Multi-View Contrastive Learning for Anomaly Detection on Attributed Networks [35.93516937521393]
  本稿では,マルチビュー・コントラッシブ・ラーニング・ベース・モジュールと属性再構成・ベース・モジュールを併用して,属性付きネットワーク上の異常をより正確に検出する自己教師付き学習フレームワークを提案する。 5つのベンチマークデータセットで行った実験は、我々のモデルが現在の最先端モデルより優れていることを示している。
  論文  参考訳（メタデータ） (2022-05-10T11:35:32Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Amortized Probabilistic Detection of Communities in Graphs [39.56798207634738]
  そこで我々は,アモータイズされたコミュニティ検出のためのシンプルなフレームワークを提案する。 我々はGNNの表現力と最近のアモータイズクラスタリングの手法を組み合わせる。 我々は、合成および実データセットに関するフレームワークから、いくつかのモデルを評価する。
  論文  参考訳（メタデータ） (2020-10-29T16:18:48Z)

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。