論文の概要: Rethinking Semi-Supervised Node Classification with Self-Supervised Graph Clustering

• arxiv url: http://arxiv.org/abs/2511.19976v1
• Date: Tue, 25 Nov 2025 06:45:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.305915
• Title: Rethinking Semi-Supervised Node Classification with Self-Supervised Graph Clustering
• Title（参考訳）: 自己スーパービジョングラフクラスタリングによる半スーパービジョンノード分類の再考
• Authors: Songbo Wang, Renchi Yang, Yurui Lai, Xiaoyang Lin, Tsz Nam Chan,
• Abstract要約: 実際のグラフでは、ノードは、ラベルの不足を補うための豊富なシグナルを具現化した、密に編まれたコミュニティ/クラスタを形成する傾向がある。 本稿では,自己教師付きグラフクラスタリングと半教師付き分類を統合フレームワークに統合したNCGCを提案する。 実験の結果,提案したNCGCフレームワークは,一般的なGNNモデルよりも一貫して,かなり優れていた。
• 参考スコア（独自算出の注目度）: 16.281945909563486
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The emergence of graph neural networks (GNNs) has offered a powerful tool for semi-supervised node classification tasks. Subsequent studies have achieved further improvements through refining the message passing schemes in GNN models or exploiting various data augmentation techniques to mitigate limited supervision. In real graphs, nodes often tend to form tightly-knit communities/clusters, which embody abundant signals for compensating label scarcity in semi-supervised node classification but are not explored in prior methods. Inspired by this, this paper presents NCGC that integrates self-supervised graph clustering and semi-supervised classification into a unified framework. Firstly, we theoretically unify the optimization objectives of GNNs and spectral graph clustering, and based on that, develop soft orthogonal GNNs (SOGNs) that leverage a refined message passing paradigm to generate node representations for both classification and clustering. On top of that, NCGC includes a self-supervised graph clustering module that enables the training of SOGNs for learning representations of unlabeled nodes in a self-supervised manner. Particularly, this component comprises two non-trivial clustering objectives and a Sinkhorn-Knopp normalization that transforms predicted cluster assignments into balanced soft pseudo-labels. Through combining the foregoing clustering module with the classification model using a multi-task objective containing the supervised classification loss on labeled data and self-supervised clustering loss on unlabeled data, NCGC promotes synergy between them and achieves enhanced model capacity. Our extensive experiments showcase that the proposed NCGC framework consistently and considerably outperforms popular GNN models and recent baselines for semi-supervised node classification on seven real graphs, when working with various classic GNN backbones.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)の出現は、半教師付きノード分類タスクのための強力なツールを提供する。 その後の研究は、GNNモデルにおけるメッセージパッシングスキームの精細化や、限られた監視を緩和するために様々なデータ拡張技術を活用することにより、さらなる改善が達成されている。 実グラフでは、ノードは、半教師付きノード分類においてラベルの不足を補うために豊富な信号を具現化するが、以前の方法では探索されない。 そこで本研究では,自己教師付きグラフクラスタリングと半教師付き分類を統合フレームワークに統合したNCGCを提案する。 まず、GNNとスペクトルグラフクラスタリングの最適化目標を理論的に統一し、より洗練されたメッセージパッシングパラダイムを利用して分類とクラスタリングの両方のためのノード表現を生成するソフト直交GNN(SOGN)を開発する。 それに加えて、NCGCには、自己教師付きグラフクラスタリングモジュールが含まれており、これは、ラベルなしノードの表現を自己教師付きで学習するためのSOGNのトレーニングを可能にする。 特に、このコンポーネントは2つの非自明なクラスタリング目標と、予測クラスタ割り当てをバランスの取れた擬似ラベルに変換するシンクホーン-ノック正規化から構成される。 ラベル付きデータに対する教師付き分類損失とラベル付きデータに対する自己教師付きクラスタリング損失を含むマルチタスク目標を用いた分類モデルとを併用することにより、NCGCはそれらの相乗効果を促進し、モデルキャパシティの向上を実現する。 提案したNCGCフレームワークは,従来のGNNバックボーンを用いて,7つの実グラフ上での半教師付きノード分類において,一般的なGNNモデルと最近のベースラインを一貫して,大幅に上回っていることを示す。

関連論文リスト

• Deep Cut-informed Graph Embedding and Clustering [36.17182061654739]
  我々は,革新的で非GNNベースのDeep Cut-informed Graph Embedding and Clusteringフレームワーク,すなわちDCGCを提案する。 符号化モジュールに対しては,その結合正規化カットを最小化することにより,グラフ構造と属性を融合させる,カットインフォームドグラフ埋め込みの目的を導出する。 クラスタリングモジュールでは,クラスタリングの割り当てを得るために最適な輸送理論を利用する。
  論文  参考訳（メタデータ） (2025-03-09T14:24:09Z)
• 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)
• 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)
• A Variational Edge Partition Model for Supervised Graph Representation Learning [51.30365677476971]
  本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。 それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。 エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T14:37:50Z)
• 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)
• Learning Hierarchical Graph Neural Networks for Image Clustering [81.5841862489509]
  本稿では,画像の集合を未知の個数にクラスタリングする方法を学ぶ階層型グラフニューラルネットワーク(GNN)モデルを提案する。 我々の階層的なGNNは、階層の各レベルで予測される連結コンポーネントをマージして、次のレベルで新しいグラフを形成するために、新しいアプローチを用いています。
  論文  参考訳（メタデータ） (2021-07-03T01:28:42Z)
• CAGNN: Cluster-Aware Graph Neural Networks for Unsupervised Graph Representation Learning [19.432449825536423]
  教師なしグラフ表現学習は、教師なしの低次元ノード埋め込みを学習することを目的としている。 本稿では、自己教師付き手法を用いた教師なしグラフ表現学習のための新しいクラスタ対応グラフニューラルネットワーク(CAGNN)モデルを提案する。
  論文  参考訳（メタデータ） (2020-09-03T13:57:18Z)
• A Collective Learning Framework to Boost GNN Expressiveness [25.394456460032625]
  教師付きおよび半教師付き設定におけるグラフニューラルネットワーク(GNN)を用いた帰納ノード分類の課題を考察する。 本稿では,既存のGNNの表現力を高めるための一般集団学習手法を提案する。 実世界の5つのネットワークデータセットの性能評価を行い、ノード分類精度が一貫した顕著な改善を示した。
  論文  参考訳（メタデータ） (2020-03-26T22:07:28Z)

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。