論文の概要: Hybrid-Collaborative Augmentation and Contrastive Sample Adaptive-Differential Awareness for Robust Attributed Graph Clustering

• arxiv url: http://arxiv.org/abs/2510.02731v1
• Date: Fri, 03 Oct 2025 05:30:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.274671
• Title: Hybrid-Collaborative Augmentation and Contrastive Sample Adaptive-Differential Awareness for Robust Attributed Graph Clustering
• Title（参考訳）: ロバスト分布グラフクラスタリングのためのハイブリッドコラボレーション強化とコントラストサンプル適応差分認識
• Authors: Tianxiang Zhao, Youqing Wang, Jinlu Wang, Jiapu Wang, Mingliang Cui, Junbin Gao, Jipeng Guo,
• Abstract要約: HCA(Hybrid-Collaborative Augmentation)とCSADA(Contrative Adaptive-differential Recognition)を組み合わせた新しいロバスト属性グラフクラスタリング(RAGC)を提案する。 6つのベンチマークデータセットに対する総合的なグラフクラスタリング評価は、いくつかの最先端CAGC手法に対して提案されたRAGCの有効性を示す。
• 参考スコア（独自算出の注目度）: 29.83560851166928
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to its powerful capability of self-supervised representation learning and clustering, contrastive attributed graph clustering (CAGC) has achieved great success, which mainly depends on effective data augmentation and contrastive objective setting. However, most CAGC methods utilize edges as auxiliary information to obtain node-level embedding representation and only focus on node-level embedding augmentation. This approach overlooks edge-level embedding augmentation and the interactions between node-level and edge-level embedding augmentations across various granularity. Moreover, they often treat all contrastive sample pairs equally, neglecting the significant differences between hard and easy positive-negative sample pairs, which ultimately limits their discriminative capability. To tackle these issues, a novel robust attributed graph clustering (RAGC), incorporating hybrid-collaborative augmentation (HCA) and contrastive sample adaptive-differential awareness (CSADA), is proposed. First, node-level and edge-level embedding representations and augmentations are simultaneously executed to establish a more comprehensive similarity measurement criterion for subsequent contrastive learning. In turn, the discriminative similarity further consciously guides edge augmentation. Second, by leveraging pseudo-label information with high confidence, a CSADA strategy is elaborately designed, which adaptively identifies all contrastive sample pairs and differentially treats them by an innovative weight modulation function. The HCA and CSADA modules mutually reinforce each other in a beneficent cycle, thereby enhancing discriminability in representation learning. Comprehensive graph clustering evaluations over six benchmark datasets demonstrate the effectiveness of the proposed RAGC against several state-of-the-art CAGC methods.
• Abstract（参考訳）: 自己教師付き表現学習とクラスタリングの強力な能力により、データ強化とコントラスト目的設定に大きく依存する、コントラスト属性グラフクラスタリング(CAGC)は大きな成功を収めている。 しかし、ほとんどのCAGC法はエッジを補助情報としてノードレベルの埋め込み表現を取得し、ノードレベルの埋め込み拡張のみに焦点を当てている。 このアプローチは、エッジレベルの埋め込み拡張と、さまざまな粒度にわたるノードレベルの埋め込み拡張とエッジレベルの埋め込み拡張の相互作用を見落としている。 さらに、全ての対照的なサンプル対を等しく扱い、硬度と容易な正負のサンプル対の間に有意な差異を無視し、最終的に識別能力を制限する。 これらの課題に対処するために,Hybrid-Collaborative Augmentation(HCA)とCSADA(Contraative Adaptive Adaptive-differential awareness)を取り入れた,新しいロバストな属性グラフクラスタリング(RAGC)を提案する。 まず、ノードレベルとエッジレベルの埋め込み表現と拡張を同時に実行し、その後のコントラスト学習のためのより包括的な類似度測定基準を確立する。 差別的類似性はさらに、エッジ増強を意識的に導く。 第2に、疑似ラベル情報を高い信頼度で活用することにより、CSADA戦略を精巧に設計し、全ての対照的なサンプルペアを適応的に識別し、革新的な重み変調関数によってそれらを微分処理する。 HCAとCSADAモジュールは相互にベネフィセントサイクルで強化し、表現学習における識別性を高める。 6つのベンチマークデータセットに対する総合的なグラフクラスタリング評価は、いくつかの最先端CAGC手法に対して提案されたRAGCの有効性を示す。

関連論文リスト

• Efficient Bilateral Cross-Modality Cluster Matching for Unsupervised Visible-Infrared Person ReID [56.573905143954015]
  本稿では, クラスタ間マッチングによるモダリティギャップを低減するための, クラスタマッチングに基づく新たな学習フレームワークを提案する。 このような監視信号の下では、クラスタレベルで特徴を協調的に整列させるために、モダリティ・特定・モダリティ・非依存(MSMA)コントラスト学習フレームワークが提案されている。 公開SYSU-MM01とRegDBデータセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-05-22T03:27:46Z)
• 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)
• 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)

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。