論文の概要: Contrastive clustering based on regular equivalence for influential node identification in complex networks

• arxiv url: http://arxiv.org/abs/2509.02609v1
• Date: Sat, 30 Aug 2025 09:34:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.253289
• Title: Contrastive clustering based on regular equivalence for influential node identification in complex networks
• Title（参考訳）: 複素ネットワークにおける影響ノード同定のための正則等価性に基づくコントラストクラスタリング
• Authors: Yanmei Hu, Yihang Wu, Bing Sun, Xue Yue, Biao Cai, Xiangtao Li, Yang Chen,
• Abstract要約: ReCCは、影響のあるノード識別のための新しい非教師なしフレームワークである。 ネットワーク再構成損失を使用して事前トレーニングを行い、コントラストとクラスタリングの損失を組み合わせた微調整を行う。 大規模な実験により、ReCCはいくつかのベンチマークで最先端のアプローチより優れていることが示された。
• 参考スコア（独自算出の注目度）: 10.538045764554019
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying influential nodes in complex networks is a fundamental task in network analysis with wide-ranging applications across domains. While deep learning has advanced node influence detection, existing supervised approaches remain constrained by their reliance on labeled data, limiting their applicability in real-world scenarios where labels are scarce or unavailable. While contrastive learning demonstrates significant potential for performance enhancement, existing approaches predominantly rely on multiple-embedding generation to construct positive/negative sample pairs. To overcome these limitations, we propose ReCC (\textit{r}egular \textit{e}quivalence-based \textit{c}ontrastive \textit{c}lustering), a novel deep unsupervised framework for influential node identification. We first reformalize influential node identification as a label-free deep clustering problem, then develop a contrastive learning mechanism that leverages regular equivalence-based similarity, which captures structural similarities between nodes beyond local neighborhoods, to generate positive and negative samples. This mechanism is integrated into a graph convolutional network to learn node embeddings that are used to differentiate influential from non-influential nodes. ReCC is pre-trained using network reconstruction loss and fine-tuned with a combined contrastive and clustering loss, with both phases being independent of labeled data. Additionally, ReCC enhances node representations by combining structural metrics with regular equivalence-based similarities. Extensive experiments demonstrate that ReCC outperforms state-of-the-art approaches across several benchmarks.
• Abstract（参考訳）: 複雑なネットワークにおける影響ノードの特定は、ドメインにまたがる広範囲なアプリケーションを用いたネットワーク分析における基本的な課題である。 ディープラーニングはノードの影響の検出が進んでいるが、既存の教師付きアプローチはラベル付きデータに依存しているため、ラベルが不足したり利用できない現実世界のシナリオでは適用が制限されている。 対照的な学習は性能向上の大きな可能性を示しているが、既存のアプローチは正と負のサンプルペアを構築するために、主に多重埋め込み生成に依存している。 これらの制限を克服するために,ReCC(\textit{r}egular \textit{e}quivalence-based \textit{c}ontrastive \textit{c}lustering)を提案する。 まず、ラベルのないディープクラスタリング問題として影響力のあるノード識別を再構成し、正と負のサンプルを生成するために、局所的な近傍を超えたノード間の構造的類似性を捉える正の同値性に基づく類似性を利用するコントラスト学習機構を開発する。 このメカニズムはグラフ畳み込みネットワークに統合され、非インフルエンシャルノードと影響力のあるノードを区別するために使用されるノード埋め込みを学習する。 ReCCはネットワーク再構成損失を使用して事前トレーニングされ、ラベル付きデータとは独立に、コントラストとクラスタリングの損失を併用して微調整される。 さらにReCCは、構造的メトリクスと規則的等価性に基づく類似性を組み合わせることにより、ノード表現を強化する。 大規模な実験により、ReCCはいくつかのベンチマークで最先端のアプローチより優れていることが示された。

関連論文リスト

• Matcha: Mitigating Graph Structure Shifts with Test-Time Adaptation [66.40525136929398]
  テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。 グラフの構造シフトへの効果的かつ効率的な適応を目的とした,革新的なフレームワークであるMatchaを提案する。 合成と実世界の両方のデータセットに対するMatchaの有効性を検証し、構造と属性シフトの様々な組み合わせにおける頑健さを実証した。
  論文  参考訳（メタデータ） (2024-10-09T15:15:40Z)
• Exact Recovery and Bregman Hard Clustering of Node-Attributed Stochastic Block Model [0.16385815610837165]
  本稿では,コミュニティラベルの正確な回復のための情報理論的基準を提案する。 ネットワークと属性情報をどのように交換して正確なリカバリを行うかを示す。 また、共同確率を最大化する反復的クラスタリングアルゴリズムも提示する。
  論文  参考訳（メタデータ） (2023-10-30T16:46:05Z)
• A Systematic Evaluation of Node Embedding Robustness [77.29026280120277]
  本研究では,ノード埋め込みモデルのランダムおよび逆毒攻撃に対する経験的ロバスト性を評価する。 ネットワーク特性とノードラベルを用いて計算したエッジの追加,削除,再切り替えの戦略を比較した。 その結果,ノード分類はネットワーク再構成とは対照的に,高い性能劣化に悩まされていることがわかった。
  論文  参考訳（メタデータ） (2022-09-16T17:20:23Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Deep Embedded Clustering with Distribution Consistency Preservation for Attributed Networks [15.895606627146291]
  本研究では,属性ネットワークに対するエンドツーエンドの深層クラスタリングモデルを提案する。 グラフオートエンコーダとノード属性オートエンコーダを使用して、ノード表現とクラスタ割り当てをそれぞれ学習する。 提案手法は, 最先端手法と比較して, 性能が著しく向上する。
  論文  参考訳（メタデータ） (2022-05-28T02:35:34Z)
• Improved Dual Correlation Reduction Network [40.792587861237166]
  改良二重相関低減ネットワーク(IDCRN)と呼ばれる新しいディープグラフクラスタリングアルゴリズムを提案する。 クロスビュー特徴相関行列をアイデンティティ行列に近似することにより、特徴の異なる次元間の冗長性を低減できる。 また,グラフ畳み込みネットワーク(GCN)における過度にスムースな問題による表現の崩壊を,伝播正規化項によって回避する。
  論文  参考訳（メタデータ） (2022-02-25T07:48:32Z)
• Variational Co-embedding Learning for Attributed Network Clustering [30.7006907516984]
  属性ネットワーククラスタリングの最近の研究は、グラフ畳み込みを利用してノード埋め込みを取得し、同時に埋め込み空間上でクラスタリング割り当てを行う。 属性ネットワーククラスタリング(ANC)のための分散共埋め込み学習モデルを提案する。 ANCは、ノードと属性を同時に埋め込む2つの変分自動エンコーダで構成されている。
  論文  参考訳（メタデータ） (2021-04-15T08:11:47Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• On the use of local structural properties for improving the efficiency of hierarchical community detection methods [77.34726150561087]
  本研究では,階層型コミュニティ検出の効率向上のために,局所構造ネットワーク特性をプロキシとして利用する方法について検討する。 また,ネットワークプルーニングの性能への影響を,階層的コミュニティ検出をより効率的にするための補助的手法として検証する。
  論文  参考訳（メタデータ） (2020-09-15T00:16:12Z)

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。