論文の概要: MoEGCL: Mixture of Ego-Graphs Contrastive Representation Learning for Multi-View Clustering

• arxiv url: http://arxiv.org/abs/2511.05876v1
• Date: Sat, 08 Nov 2025 06:27:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.632771
• Title: MoEGCL: Mixture of Ego-Graphs Contrastive Representation Learning for Multi-View Clustering
• Title（参考訳）: MoEGCL:マルチビュークラスタリングのためのエゴグラフのコントラスト表現学習
• Authors: Jian Zhu, Xin Zou, Jun Sun, Cheng Luo, Lei Liu, Lingfang Zeng, Ning Zhang, Bian Wu, Chang Tang, Lirong Dai,
• Abstract要約: Ego-Graphs Contrastive Representation Learning (MoEGCL)について紹介する。 MoEGCLは、従来のビューレベル融合ではなく、サンプルレベルでのエゴグラフの微細な融合を実装している。 より深いマルチビュークラスタリングタスクにおいて、最先端の結果を達成する。
• 参考スコア（独自算出の注目度）: 39.19547815305136
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, the advancement of Graph Neural Networks (GNNs) has significantly propelled progress in Multi-View Clustering (MVC). However, existing methods face the problem of coarse-grained graph fusion. Specifically, current approaches typically generate a separate graph structure for each view and then perform weighted fusion of graph structures at the view level, which is a relatively rough strategy. To address this limitation, we present a novel Mixture of Ego-Graphs Contrastive Representation Learning (MoEGCL). It mainly consists of two modules. In particular, we propose an innovative Mixture of Ego-Graphs Fusion (MoEGF), which constructs ego graphs and utilizes a Mixture-of-Experts network to implement fine-grained fusion of ego graphs at the sample level, rather than the conventional view-level fusion. Additionally, we present the Ego Graph Contrastive Learning (EGCL) module to align the fused representation with the view-specific representation. The EGCL module enhances the representation similarity of samples from the same cluster, not merely from the same sample, further boosting fine-grained graph representation. Extensive experiments demonstrate that MoEGCL achieves state-of-the-art results in deep multi-view clustering tasks. The source code is publicly available at https://github.com/HackerHyper/MoEGCL.
• Abstract（参考訳）: 近年,グラフニューラルネットワーク(GNN)の進歩は,マルチビュークラスタリング(MVC)の進展を著しく加速させている。 しかし、既存の手法は粗いグラフ融合の問題に直面している。 具体的には、現在のアプローチは一般的に、ビューごとに別々のグラフ構造を生成し、ビューレベルで重み付けされたグラフ構造の融合を実行するが、これは比較的粗い戦略である。 この制限に対処するため,我々は,エゴグラフのコントラスト表現学習(MoEGCL)を新たに提案する。 主に2つのモジュールから構成される。 特に,従来のビューレベル融合ではなく,エゴグラフの微細な融合を実現するために,エゴグラフの構築とMixture-of-Expertsネットワークを利用する,革新的なEgo-Graphs Fusion(MoEGF)を提案する。 さらに,Ego Graph Contrastive Learning (EGCL) モジュールを提示し,融合表現とビュー固有表現を一致させる。 EGCLモジュールは、同一クラスタからのサンプルの表現類似性を高める。 大規模な実験により、MOEGCLは深いマルチビュークラスタリングタスクにおいて最先端の結果を達成することが示された。 ソースコードはhttps://github.com/HackerHyper/MoEGCLで公開されている。

関連論文リスト

• Model-Driven Graph Contrastive Learning [25.015678499211404]
  本稿では,モデル駆動型グラフコントラスト学習(GCL)フレームワークであるtextbfMGCL$を提案する。 GCLは表現型ノードやグラフ表現を学習するための強力な自己教師型フレームワークとして登場した。 ベンチマークデータセットの実験では、MGCLが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-06-06T16:17:22Z)
• Multi-Relation Graph-Kernel Strengthen Network for Graph-Level Clustering [10.67474681549171]
  グラフレベルクラスタリングのためのマルチリレーショナルグラフカーネル強化ネットワーク(MGSN)を提案する。 MGSNは、ノードとグラフ間の多様な意味関係を捉えるために、マルチリレーショナルグラフを構築する。 リレーショナル・アウェアな表現改善戦略を設計し、ビュー間で多関係情報を適応的に整列させる。
  論文  参考訳（メタデータ） (2025-04-02T11:17:15Z)
• M3C: A Framework towards Convergent, Flexible, and Unsupervised Learning of Mixture Graph Matching and Clustering [57.947071423091415]
  本稿では,理論収束を保証する学習自由度アルゴリズムであるM3Cを提案する。 我々は、新しいエッジワイド親和性学習と擬似ラベル選択を組み込んだ教師なしモデルUM3Cを開発した。 提案手法は,最先端のグラフマッチングと混合グラフマッチングとクラスタリングの手法を精度と効率の両面で優れている。
  論文  参考訳（メタデータ） (2023-10-27T19:40:34Z)
• Variational Graph Generator for Multi-View Graph Clustering [51.89092260088973]
  マルチビューグラフクラスタリング(VGMGC)のための変分グラフ生成器を提案する。 この生成器は、複数のグラフに対する事前仮定に基づいて、信頼性のある変分コンセンサスグラフを推論する。 推論されたビュー共通グラフとビュー固有のグラフを機能と一緒に埋め込む。
  論文  参考訳（メタデータ） (2022-10-13T13:19:51Z)
• Dual Contrastive Attributed Graph Clustering Network [6.796682703663566]
  我々はDCAGC(Dual Contrastive Attributed Graph Clustering Network)と呼ばれる汎用フレームワークを提案する。 DCAGCでは、近隣のコントラストモジュールを利用することで、近隣ノードの類似性を最大化し、ノード表現の品質を向上させる。 DCAGCのすべてのモジュールは、統一されたフレームワークでトレーニングされ、最適化されているため、学習されたノード表現にはクラスタリング指向のメッセージが含まれている。
  論文  参考訳（メタデータ） (2022-06-16T03:17:01Z)
• GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
  グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。 本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-24T02:58:36Z)
• ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial Multi-View Clustering [52.491074276133325]
  部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。 提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
  論文  参考訳（メタデータ） (2022-03-01T02:32:25Z)
• Fine-grained Graph Learning for Multi-view Subspace Clustering [2.4094285826152593]
  マルチビューサブスペースクラスタリング(FGL-MSC)のためのきめ細かいグラフ学習フレームワークを提案する。 主な課題は、クラスタリングタスクに適合する学習グラフを生成しながら、微細な融合重みを最適化する方法である。 8つの実世界のデータセットの実験では、提案されたフレームワークは最先端の手法に匹敵する性能を示している。
  論文  参考訳（メタデータ） (2022-01-12T18:00:29Z)
• 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)
• Consistent Multiple Graph Embedding for Multi-View Clustering [41.17336912278538]
  Consistent Multiple Graph Embedding Clustering framework (CMGEC) を提案する。 具体的には,マルチビューデータの補完情報を柔軟に符号化するマルチグラフオートエンコーダを設計する。 各ビューにおける隣り合う特徴の類似性を維持するための学習共通表現を導くため、MMIM(Multi-view Mutual Information Maximization Module)を導入する。
  論文  参考訳（メタデータ） (2021-05-11T09:08:22Z)

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。