論文の概要: Unsupervised Graph Clustering with Deep Structural Entropy

• arxiv url: http://arxiv.org/abs/2505.14040v1
• Date: Tue, 20 May 2025 07:38:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:52.865456
• Title: Unsupervised Graph Clustering with Deep Structural Entropy
• Title（参考訳）: 深部構造エントロピーを用いた教師なしグラフクラスタリング
• Authors: Jingyun Zhang, Hao Peng, Li Sun, Guanlin Wu, Chunyang Liu, Zhengtao Yu,
• Abstract要約: DeSEは、Deep Structure Entropyを取り入れた、新しい教師なしグラフクラスタリングフレームワークである。 クラスタを形成するために、量子化された構造情報とディープニューラルネットワークを備えたオリジナルのグラフを強化する。 クラスタリング代入法は,拡張グラフ上のクラスタへのノード埋め込みとソフトな代入行列を学習する。
• 参考スコア（独自算出の注目度）: 25.38926876388394
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Research on Graph Structure Learning (GSL) provides key insights for graph-based clustering, yet current methods like Graph Neural Networks (GNNs), Graph Attention Networks (GATs), and contrastive learning often rely heavily on the original graph structure. Their performance deteriorates when the original graph's adjacency matrix is too sparse or contains noisy edges unrelated to clustering. Moreover, these methods depend on learning node embeddings and using traditional techniques like k-means to form clusters, which may not fully capture the underlying graph structure between nodes. To address these limitations, this paper introduces DeSE, a novel unsupervised graph clustering framework incorporating Deep Structural Entropy. It enhances the original graph with quantified structural information and deep neural networks to form clusters. Specifically, we first propose a method for calculating structural entropy with soft assignment, which quantifies structure in a differentiable form. Next, we design a Structural Learning layer (SLL) to generate an attributed graph from the original feature data, serving as a target to enhance and optimize the original structural graph, thereby mitigating the issue of sparse connections between graph nodes. Finally, our clustering assignment method (ASS), based on GNNs, learns node embeddings and a soft assignment matrix to cluster on the enhanced graph. The ASS layer can be stacked to meet downstream task requirements, minimizing structural entropy for stable clustering and maximizing node consistency with edge-based cross-entropy loss. Extensive comparative experiments are conducted on four benchmark datasets against eight representative unsupervised graph clustering baselines, demonstrating the superiority of the DeSE in both effectiveness and interpretability.
• Abstract（参考訳）: グラフ構造学習(GSL)の研究は、グラフベースのクラスタリングにおいて重要な洞察を提供するが、グラフニューラルネットワーク(GNN)やグラフ注意ネットワーク(GAT)といった現在の手法は、オリジナルのグラフ構造に大きく依存することが多い。 その性能は、元のグラフの隣接行列がスパースすぎるか、クラスタリングとは無関係なノイズの多いエッジを含むと劣化する。 さらに、これらの手法はノードの埋め込みを学習し、k-meansのような従来の手法を使ってクラスタを形成するため、ノード間のグラフ構造を完全に把握できない可能性がある。 本稿では,Deep Structure Entropyを取り入れた新しい非教師付きグラフクラスタリングフレームワークであるDeSEを紹介する。 クラスタを形成するために、量子化された構造情報とディープニューラルネットワークを備えたオリジナルのグラフを強化する。 具体的には,まず構造エントロピーをソフトな割り当てで計算し,構造を微分可能な形で定量化する手法を提案する。 次に、元の特徴データから属性付きグラフを生成する構造学習層(SLL)を設計し、元の構造グラフを拡張・最適化するターゲットとして機能し、グラフノード間の疎結合の問題を軽減する。 最後に、GNNに基づくクラスタリング代入法(ASS)により、拡張グラフ上のクラスタへのノード埋め込みとソフトな代入行列を学習する。 ASS層は下流のタスク要求を満たすように積み上げられ、安定したクラスタリングのための構造的エントロピーを最小化し、エッジベースのクロスエントロピー損失によるノード一貫性を最大化する。 8つのグラフクラスタリングベースラインに対して4つのベンチマークデータセットで大規模な比較実験を行い、DeSEの有効性と解釈可能性の両方において優位性を示す。

関連論文リスト

• Rhomboid Tiling for Geometric Graph Deep Learning [13.249882613696476]
  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。
  論文  参考訳（メタデータ） (2025-05-14T17:37:15Z)
• LSEnet: Lorentz Structural Entropy Neural Network for Deep Graph Clustering [59.89626219328127]
  グラフクラスタリングは機械学習の基本的な問題である。 近年、ディープラーニング手法は最先端の成果を達成しているが、事前に定義されたクラスタ番号なしでは動作できない。 本稿では,グラフ情報理論の新たな視点からこの問題に対処することを提案する。
  論文  参考訳（メタデータ） (2024-05-20T05:46:41Z)
• 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)
• SE-GSL: A General and Effective Graph Structure Learning Framework through Structural Entropy Optimization [67.28453445927825]
  グラフニューラルネットワーク(GNN)は、構造的データ学習のデファクトソリューションである。 既存のグラフ構造学習(GSL)フレームワークには、堅牢性と解釈性がない。 本稿では、構造エントロピーと符号化木に抽象化されたグラフ階層を通して、一般的なGSLフレームワークSE-GSLを提案する。
  論文  参考訳（メタデータ） (2023-03-17T05:20:24Z)
• 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)
• Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
  本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。 具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
  論文  参考訳（メタデータ） (2022-01-17T11:57:29Z)
• 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)
• CAGNN: Cluster-Aware Graph Neural Networks for Unsupervised Graph Representation Learning [19.432449825536423]
  教師なしグラフ表現学習は、教師なしの低次元ノード埋め込みを学習することを目的としている。 本稿では、自己教師付き手法を用いた教師なしグラフ表現学習のための新しいクラスタ対応グラフニューラルネットワーク(CAGNN)モデルを提案する。
  論文  参考訳（メタデータ） (2020-09-03T13:57:18Z)

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。