論文の概要: Divide-Then-Rule: A Cluster-Driven Hierarchical Interpolator for Attribute-Missing Graphs

• arxiv url: http://arxiv.org/abs/2507.10595v2
• Date: Tue, 05 Aug 2025 09:10:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-06 15:23:34.577998
• Title: Divide-Then-Rule: A Cluster-Driven Hierarchical Interpolator for Attribute-Missing Graphs
• Title（参考訳）: Divide-Then-Rule:属性ミスグラフのためのクラスタ駆動階層型補間器
• Authors: Yaowen Hu, Wenxuan Tu, Yue Liu, Miaomiao Li, Wenpeng Lu, Zhigang Luo, Xinwang Liu, Ping Chen,
• Abstract要約: ディープグラフクラスタリングは、不完全な属性を持つノードを異なるクラスタに分割することを目的とした教師なしのタスクである。 既存の属性欠落グラフの計算法は、ノード近傍で利用可能な情報の量が異なることを説明できないことが多い。 この問題に対処するために、DTRGC(Divide-Then-Rule Graph Completion)を提案する。
• 参考スコア（独自算出の注目度）: 51.13363550716544
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep graph clustering (DGC) for attribute-missing graphs is an unsupervised task aimed at partitioning nodes with incomplete attributes into distinct clusters. Addressing this challenging issue is vital for practical applications. However, research in this area remains underexplored. Existing imputation methods for attribute-missing graphs often fail to account for the varying amounts of information available across node neighborhoods, leading to unreliable results, especially for nodes with insufficient known neighborhood. To address this issue, we propose a novel method named Divide-Then-Rule Graph Completion (DTRGC). This method first addresses nodes with sufficient known neighborhood information and treats the imputed results as new knowledge to iteratively impute more challenging nodes, while leveraging clustering information to correct imputation errors. Specifically, Dynamic Cluster-Aware Feature Propagation (DCFP) initializes missing node attributes by adjusting propagation weights based on the clustering structure. Subsequently, Hierarchical Neighborhood-aware Imputation (HNAI) categorizes attribute-missing nodes into three groups based on the completeness of their neighborhood attributes. The imputation is performed hierarchically, prioritizing the groups with nodes that have the most available neighborhood information. The cluster structure is then used to refine the imputation and correct potential errors. Finally, Hop-wise Representation Enhancement (HRE) integrates information across multiple hops, thereby enriching the expressiveness of node representations. Experimental results on six widely used graph datasets show that DTRGC significantly improves the clustering performance of various DGC methods under attribute-missing graphs.
• Abstract（参考訳）: 属性欠落グラフのためのディープグラフクラスタリング(DGC)は、不完全な属性を持つノードを異なるクラスタに分割することを目的とした教師なしタスクである。 この課題に対処することは、実践的なアプリケーションにとって不可欠である。 しかし、この地域の研究はいまだに過小評価されている。 既存の属性欠落グラフの計算法では、ノード近傍で利用可能な情報の量が異なるため、信頼性の低い結果、特に既知の領域が不十分なノードでは、しばしば説明できない。 本稿では,DTRGC (Divide-Then-Rule Graph Completion) という新しい手法を提案する。 本手法は,まず十分な近傍情報を持つノードに対処し,命令された結果を新たな知識として扱い,より困難なノードを反復的に暗示し,クラスタリング情報を利用して計算誤差を補正する。 具体的には、DCFP(Dynamic Cluster-Aware Feature Propagation)は、クラスタリング構造に基づいて伝搬重みを調整することで、欠落ノード属性を初期化する。 その後HNAI(Hierarchical Neighborhood-aware Imputation)は、属性伝達ノードを、その近傍属性の完全性に基づいて3つのグループに分類する。 命令は階層的に実行され、最も利用可能な近隣情報を持つノードを持つグループを優先順位付けする。 クラスタ構造は、計算を洗練し、潜在的なエラーを修正するために使用される。 最後に、ホップワイド表現強化(HRE)は複数のホップにまたがる情報を統合し、ノード表現の表現性を高める。 6つのグラフデータセットを用いた実験結果から,DTRGCは属性欠落グラフ下での各種DGC手法のクラスタリング性能を著しく向上することが示された。

関連論文リスト

• Clustering-Oriented Generative Attribute Graph Imputation [46.388653923121566]
  本稿では,属性欠落グラフクラスタリングのためのクラスタリング指向生成インプット(CGIR)モデルを提案する。 CGIRは,属性欠落グラフのクラスタリングをサブクラスタの検索とマージェンスに分割し,統一されたフレームワーク内でノードの計算と改善を実現する。
  論文  参考訳（メタデータ） (2025-07-25T09:11:38Z)
• Scalable Attribute-Missing Graph Clustering via Neighborhood Differentiation [46.17999216122895]
  本稿では,新しいDGC手法である underlinetextbfComplementary underlinetextbfMulti-underlinetextbfView を提案する。 CMV-NDはグラフ構造情報を完全だが非冗長な方法で複数のビューに前処理する。 CMV-NDは,6つのグラフデータセットの実験結果から,様々な手法の性能を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2025-07-09T13:42:43Z)
• One Node One Model: Featuring the Missing-Half for Graph Clustering [10.316522132109354]
  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。
  論文  参考訳（メタデータ） (2024-12-13T06:42:36Z)
• 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)
• 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)
• 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)
• Graph InfoClust: Leveraging cluster-level node information for unsupervised graph representation learning [12.592903558338444]
  本稿では,グラフ InfoClust というグラフ表現学習手法を提案する。 同社はさらに、クラスタレベルの情報コンテンツをキャプチャしようとしている。 この最適化により、ノード表現はよりリッチな情報とノイズ相互作用をキャプチャし、それによって品質が向上する。
  論文  参考訳（メタデータ） (2020-09-15T09:33:20Z)
• 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)
• Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
  半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。 推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。 4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
  論文  参考訳（メタデータ） (2020-01-17T02:52:30Z)

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。