論文の概要: Attributed Graph Clustering with Multi-Scale Weight-Based Pairwise Coarsening and Contrastive Learning

• arxiv url: http://arxiv.org/abs/2507.20505v1
• Date: Mon, 28 Jul 2025 03:59:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 16:23:57.783513
• Title: Attributed Graph Clustering with Multi-Scale Weight-Based Pairwise Coarsening and Contrastive Learning
• Title（参考訳）: マルチスケール重みに基づくペアワイズ粗度学習とコントラスト学習による分散グラフクラスタリング
• Authors: Binxiong Li, Yuefei Wang, Binyu Zhao, Heyang Gao, Benhan Yang, Quanzhou Luo, Xue Li, Xu Xiang, Yujie Liu, Huijie Tang,
• Abstract要約: 本研究では,MPCCLモデルを提案する。 MPCCLは、長距離依存性、機能崩壊、情報損失など、既存の手法における重要なギャップを埋める。 MPCCLは、ACMデータセット上でのNMIの顕著な15.24%の増加を含む、クラスタリング性能の大幅な改善を実現している。
• 参考スコア（独自算出の注目度）: 6.98736148799344
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This study introduces the Multi-Scale Weight-Based Pairwise Coarsening and Contrastive Learning (MPCCL) model, a novel approach for attributed graph clustering that effectively bridges critical gaps in existing methods, including long-range dependency, feature collapse, and information loss. Traditional methods often struggle to capture high-order graph features due to their reliance on low-order attribute information, while contrastive learning techniques face limitations in feature diversity by overemphasizing local neighborhood structures. Similarly, conventional graph coarsening methods, though reducing graph scale, frequently lose fine-grained structural details. MPCCL addresses these challenges through an innovative multi-scale coarsening strategy, which progressively condenses the graph while prioritizing the merging of key edges based on global node similarity to preserve essential structural information. It further introduces a one-to-many contrastive learning paradigm, integrating node embeddings with augmented graph views and cluster centroids to enhance feature diversity, while mitigating feature masking issues caused by the accumulation of high-frequency node weights during multi-scale coarsening. By incorporating a graph reconstruction loss and KL divergence into its self-supervised learning framework, MPCCL ensures cross-scale consistency of node representations. Experimental evaluations reveal that MPCCL achieves a significant improvement in clustering performance, including a remarkable 15.24% increase in NMI on the ACM dataset and notable robust gains on smaller-scale datasets such as Citeseer, Cora and DBLP.
• Abstract（参考訳）: 本研究では,マルチスケール・ウェイト・ベース・ペアワイド・コアシング・コントラシブ・ラーニング(MPCCL)モデルを導入し,長期依存,特徴崩壊,情報損失などの既存手法における重要なギャップを効果的に橋渡しする属性付きグラフクラスタリングの新たなアプローチを提案する。 従来の手法は、低次属性情報に依存しているため、高次グラフの特徴を捉えるのに苦労することが多いが、対照的な学習手法は、局所的な近傍構造を過度に強調することにより、特徴多様性の制限に直面している。 同様に、従来のグラフ粗化法は、グラフスケールを小さくするが、微細な構造的詳細をしばしば失う。 MPCCLは、重要な構造情報を保持するために、グローバルノード類似性に基づいてキーエッジのマージを優先順位付けしながら、グラフを徐々に凝縮する、革新的なマルチスケールの粗大化戦略を通じてこれらの課題に対処する。 さらに、1対多の対照的な学習パラダイムを導入し、拡張グラフビューとクラスタセントロイドとノード埋め込みを統合して特徴の多様性を高めるとともに、マルチスケール粗大化時の高周波ノード重みの蓄積による特徴マスキング問題を緩和する。 グラフ再構成損失とKL分散を自己教師付き学習フレームワークに組み込むことで、MPCCLはノード表現のクロススケールな一貫性を保証する。 実験的評価によると、MPCCLはクラスタリング性能を著しく向上し、ACMデータセットでは15.24%のNMI増加、Citeseer、Cora、DBLPといった小規模データセットでは顕著な堅牢性向上が見られた。

関連論文リスト

• GCL-GCN: Graphormer and Contrastive Learning Enhanced Attributed Graph Clustering Network [7.280565255278454]
  本稿では,局所的な依存や複雑な構造を捉える上で,既存のモデルの限界に対処する,新しいディープグラフクラスタリングモデルGCL-GCNを提案する。 GCL-GCNは、中心性符号化と空間関係を組み合わせた革新的なGraphormerモジュールを導入した。 事前学習フェーズでは、このモジュールは元の特徴行列のコントラスト学習によって特徴の区別を高める。
  論文  参考訳（メタデータ） (2025-07-25T09:25:55Z)
• Squeeze and Excitation: A Weighted Graph Contrastive Learning for Collaborative Filtering [1.3535213052193866]
  グラフコントラスト学習(GCL)は、表現学習の堅牢性を高めることを目的としている。 Weighted Graph Contrastive Learning framework (WeightedGCL)は、特徴の非合理的な割り当てに対処する。 重み付けGCLは、競合するベースラインに比べて大幅に精度が向上する。
  論文  参考訳（メタデータ） (2025-04-06T11:30:59Z)
• Revisiting Self-Supervised Heterogeneous Graph Learning from Spectral Clustering Perspective [52.662463893268225]
  自己教師付きヘテロジニアスグラフ学習(SHGL)は様々なシナリオにおいて有望な可能性を示している。 既存のSHGLメソッドには2つの大きな制限がある。 ランクと二重整合性制約によって強化された新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-12-01T09:33:20Z)
• RDSA: A Robust Deep Graph Clustering Framework via Dual Soft Assignment [18.614842530666834]
  我々は、Dual Soft Assignment (RDSA)を介してRobust Deep Graph Clustering Frameworkと呼ばれる新しいフレームワークを導入する。 RDSAは3つの主要なコンポーネントから構成される: (i) グラフのトポロジ的特徴とノード属性を効果的に統合するノード埋め込みモジュール、 (ii) ノード割り当てに親和性行列を利用することでグラフモジュラリティを改善する構造ベースのソフトアサインモジュール、 (iii) コミュニティランドマークを識別し、モデルの堅牢性を高めるためにノード割り当てを洗練させるノードベースのソフトアサインモジュール。 我々はRDSAを実世界の様々なデータセットで評価し、既存の状態と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-29T05:18:34Z)
• 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)
• GraphLearner: Graph Node Clustering with Fully Learnable Augmentation [76.63963385662426]
  Contrastive Deep Graph Clustering (CDGC)は、異なるクラスタにノードをグループ化するために、コントラスト学習のパワーを活用する。 我々は、GraphLearnerと呼ばれる、完全学習可能な拡張を備えたグラフノードクラスタリングを提案する。 学習可能な拡張器を導入し、CDGCのための高品質でタスク固有の拡張サンプルを生成する。
  論文  参考訳（メタデータ） (2022-12-07T10:19:39Z)
• Deep Image Clustering with Contrastive Learning and Multi-scale Graph Convolutional Networks [58.868899595936476]
  コントラスト学習とマルチスケールグラフ畳み込みネットワーク(IcicleGCN)を用いた画像クラスタリング手法を提案する。 複数の画像データセットの実験は、最先端のIcicleGCNよりも優れたクラスタリング性能を示している。
  論文  参考訳（メタデータ） (2022-07-14T19:16:56Z)
• 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)
• Diversified Multiscale Graph Learning with Graph Self-Correction [55.43696999424127]
  2つのコア成分を組み込んだ多次元グラフ学習モデルを提案します。 情報埋め込みグラフを生成するグラフ自己補正(GSC)機構、および入力グラフの包括的な特性評価を達成するために多様性ブースト正規化(DBR)。 一般的なグラフ分類ベンチマークの実験は、提案されたGSCメカニズムが最先端のグラフプーリング方法よりも大幅に改善されることを示しています。
  論文  参考訳（メタデータ） (2021-03-17T16:22:24Z)

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。