論文の概要: Clustering-Oriented Generative Attribute Graph Imputation

• arxiv url: http://arxiv.org/abs/2507.19085v1
• Date: Fri, 25 Jul 2025 09:11:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-28 16:16:48.894676
• Title: Clustering-Oriented Generative Attribute Graph Imputation
• Title（参考訳）: クラスタリング指向の生成属性グラフインプット
• Authors: Mulin Chen, Bocheng Wang, Jiaxin Zhong, Zongcheng Miao, Xuelong Li,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 46.388653923121566
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Attribute-missing graph clustering has emerged as a significant unsupervised task, where only attribute vectors of partial nodes are available and the graph structure is intact. The related models generally follow the two-step paradigm of imputation and refinement. However, most imputation approaches fail to capture class-relevant semantic information, leading to sub-optimal imputation for clustering. Moreover, existing refinement strategies optimize the learned embedding through graph reconstruction, while neglecting the fact that some attributes are uncorrelated with the graph. To remedy the problems, we establish the Clustering-oriented Generative Imputation with reliable Refinement (CGIR) model. Concretely, the subcluster distributions are estimated to reveal the class-specific characteristics precisely, and constrain the sampling space of the generative adversarial module, such that the imputation nodes are impelled to align with the correct clusters. Afterwards, multiple subclusters are merged to guide the proposed edge attention network, which identifies the edge-wise attributes for each class, so as to avoid the redundant attributes in graph reconstruction from disturbing the refinement of overall embedding. To sum up, CGIR splits attribute-missing graph clustering into the search and mergence of subclusters, which guides to implement node imputation and refinement within a unified framework. Extensive experiments prove the advantages of CGIR over state-of-the-art competitors.
• Abstract（参考訳）: 属性欠落グラフクラスタリングは、部分ノードの属性ベクトルのみが利用可能であり、グラフ構造がそのままである重要な教師なしタスクとして登場した。 関連するモデルは一般に2段階の計算と改善のパラダイムに従っている。 しかし、ほとんどの命令型アプローチは、クラス関連セマンティック情報をキャプチャできないため、クラスタリングの準最適命令に繋がる。 さらに、既存の洗練戦略では、グラフ再構成による学習された埋め込みを最適化し、いくつかの属性がグラフとは無関係であるという事実を無視する。 この問題を解決するため,クラスタリング指向のジェネレーティブ・インプット(CGIR)モデルを構築した。 具体的には、サブクラスタ分布を推定して、クラス固有の特性を正確に明らかにし、インプットノードが正しいクラスタに整合するように、生成逆数モジュールのサンプリング空間を制約する。 その後、複数のサブクラスタをマージして、各クラスのエッジワイド属性を識別するエッジアテンションネットワークを誘導し、グラフ再構成における冗長な属性が全体の埋め込みの洗練を妨げないようにする。 まとめると、CGIRは属性許容グラフ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する。 大規模実験は、最先端の競合相手に対するCGIRの利点を証明している。

関連論文リスト

• Divide-Then-Rule: A Cluster-Driven Hierarchical Interpolator for Attribute-Missing Graphs [51.13363550716544]
  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。
  論文  参考訳（メタデータ） (2025-07-12T03:33:19Z)
• 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)
• 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)
• Interpretable Multi-View Clustering Based on Anchor Graph Tensor Factorization [64.00146569922028]
  アンカーグラフの分解に基づくマルチビュークラスタリング法では,分解行列に対する適切なクラスタ解釈性が欠如している。 複数のビューからアンカーグラフを合成するアンカーグラフテンソルを分解するために、非負のテンソル因子分解を用いることにより、この制限に対処する。
  論文  参考訳（メタデータ） (2024-04-01T03:23:55Z)
• 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)
• 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)
• 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)
• 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)
• Smoothness Sensor: Adaptive Smoothness-Transition Graph Convolutions for Attributed Graph Clustering [10.905770964670191]
  適応的滑らか度-遷移グラフ畳み込みに基づく属性グラフクラスタリングのための滑らか度センサを提案する。 グラフレベルの滑らかさの代替として,新しい細粒度ノード単位の滑らかさ評価法を提案する。 実験の結果,提案手法は3つの異なる指標で,他の12の最先端のベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2020-09-12T08:12:27Z)

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。