論文の概要: Rhomboid Tiling for Geometric Graph Deep Learning

• arxiv url: http://arxiv.org/abs/2505.09586v1
• Date: Wed, 14 May 2025 17:37:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-15 21:44:09.548698
• Title: Rhomboid Tiling for Geometric Graph Deep Learning
• Title（参考訳）: 幾何学的グラフ深層学習のためのロンボイドタイリング
• Authors: Yipeng Zhang, Longlong Li, Kelin Xia,
• Abstract要約: ロンボイドタイリング構造に基づく新しいクラスタリング法であるRhomboid Tiling(RT)クラスタリングを提案する。 また、グラフ分類タスクのためのRTクラスタリングに基づく階層的なグラフクラスタリングプールモデルであるRTPoolを設計する。 提案モデルでは,7つのベンチマークデータセットのすべてにおいて,21の最先端コンペティタよりも優れたパフォーマンスを示す。
• 参考スコア（独自算出の注目度）: 13.249882613696476
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Neural Networks (GNNs) have proven effective for learning from graph-structured data through their neighborhood-based message passing framework. Many hierarchical graph clustering pooling methods modify this framework by introducing clustering-based strategies, enabling the construction of more expressive and powerful models. However, all of these message passing framework heavily rely on the connectivity structure of graphs, limiting their ability to capture the rich geometric features inherent in geometric graphs. To address this, we propose Rhomboid Tiling (RT) clustering, a novel clustering method based on the rhomboid tiling structure, which performs clustering by leveraging the complex geometric information of the data and effectively extracts its higher-order geometric structures. Moreover, we design RTPool, a hierarchical graph clustering pooling model based on RT clustering for graph classification tasks. The proposed model demonstrates superior performance, outperforming 21 state-of-the-art competitors on all the 7 benchmark datasets.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、近隣のメッセージパッシングフレームワークを通じてグラフ構造化データから学習するのに有効であることが証明されている。 多くの階層的なグラフクラスタリングプーリング手法は、クラスタリングベースの戦略を導入し、より表現力が高く強力なモデルの構築を可能にすることで、このフレームワークを変更する。 しかしながら、これらのメッセージパッシングフレームワークはグラフの接続構造に大きく依存しており、幾何学グラフに固有のリッチな幾何学的特徴を捉える能力を制限する。 そこで本研究では,データの複雑な幾何学的情報を活用してクラスタリングを行い,その高次幾何学的構造を効果的に抽出する,新しいクラスタリング手法であるRhomboid Tiling(RT)クラスタリングを提案する。 さらに,グラフ分類タスクのためのRTクラスタリングに基づく階層型グラフクラスタリングプールモデルであるRTPoolを設計する。 提案モデルでは,7つのベンチマークデータセットのすべてにおいて,21の最先端コンペティタよりも優れたパフォーマンスを示す。

関連論文リスト

• Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
  グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。 モデルはGCNを適用するために初期グラフを事前に推定する。 一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
  論文  参考訳（メタデータ） (2024-02-25T07:03:37Z)
• 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)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• 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)
• CommPOOL: An Interpretable Graph Pooling Framework for Hierarchical Graph Representation Learning [74.90535111881358]
  新しい解釈可能なグラフプーリングフレームワークである CommPOOL を提案します。 グラフ表現学習プロセスにおいて、グラフの階層的なコミュニティ構造をキャプチャし、保存することができる。 CommPOOLは階層グラフ表現学習のための汎用的で柔軟なフレームワークです。
  論文  参考訳（メタデータ） (2020-12-10T21:14:18Z)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)
• Graph Clustering with Graph Neural Networks [5.305362965553278]
  グラフニューラルネットワーク(GNN)は多くのグラフ解析タスクにおいて最先端の結果を得た。 グラフクラスタリングのようなグラフ上の教師なしの問題は、GNNの進歩に対してより抵抗性があることが証明されている。 本稿では,クラスタリング品質のモジュラリティ尺度にインスパイアされた教師なしプール手法であるDeep Modularity Networks (DMoN)を紹介する。
  論文  参考訳（メタデータ） (2020-06-30T15:30:49Z)
• Adaptive Graph Auto-Encoder for General Data Clustering [90.8576971748142]
  グラフベースのクラスタリングは、クラスタリング領域において重要な役割を果たす。 グラフ畳み込みニューラルネットワークに関する最近の研究は、グラフ型データにおいて驚くべき成功を収めている。 本稿では,グラフの生成的視点に応じて適応的にグラフを構成する汎用データクラスタリングのためのグラフ自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2020-02-20T10:11:28Z)

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。