論文の概要: Cross-Contrastive Clustering for Multimodal Attributed Graphs with Dual Graph Filtering

• arxiv url: http://arxiv.org/abs/2511.20030v1
• Date: Tue, 25 Nov 2025 07:56:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.346784
• Title: Cross-Contrastive Clustering for Multimodal Attributed Graphs with Dual Graph Filtering
• Title（参考訳）: デュアルグラフフィルタを用いたマルチモーダル分散グラフのクロスコントラストクラスタリング
• Authors: Haoran Zheng, Renchi Yang, Hongtao Wang, Jianliang Xu,
• Abstract要約: MMAG(MultimodalAttributed Graphs)は、エンティティ間の複雑な相互接続を表現するための表現型データモデルである。 本稿では,ノード表現学習に特徴分担成分を組み込んだデュアルグラフフィルタリング手法を提案する。 実験の結果,DGFは,地中トラスラベルに対して測定されたクラスタリング品質において,多種多様な最先端のベースラインを一貫して,かつ著しく上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 22.795819970801475
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal Attributed Graphs (MMAGs) are an expressive data model for representing the complex interconnections among entities that associate attributes from multiple data modalities (text, images, etc.). Clustering over such data finds numerous practical applications in real scenarios, including social community detection, medical data analytics, etc. However, as revealed by our empirical studies, existing multi-view clustering solutions largely rely on the high correlation between attributes across various views and overlook the unique characteristics (e.g., low modality-wise correlation and intense feature-wise noise) of multimodal attributes output by large pre-trained language and vision models in MMAGs, leading to suboptimal clustering performance. Inspired by foregoing empirical observations and our theoretical analyses with graph signal processing, we propose the Dual Graph Filtering (DGF) scheme, which innovatively incorporates a feature-wise denoising component into node representation learning, thereby effectively overcoming the limitations of traditional graph filters adopted in the extant multi-view graph clustering approaches. On top of that, DGF includes a tri-cross contrastive training strategy that employs instance-level contrastive learning across modalities, neighborhoods, and communities for learning robust and discriminative node representations. Our comprehensive experiments on eight benchmark MMAG datasets exhibit that DGF is able to outperform a wide range of state-of-the-art baselines consistently and significantly in terms of clustering quality measured against ground-truth labels.
• Abstract（参考訳）: MMAG(Multimodal Attributed Graphs)は、複数のデータモダリティ(テキスト、画像など)の属性を関連付けるエンティティ間の複雑な相互接続を表現する表現型データモデルである。 このようなデータのクラスタリングは、ソーシャルコミュニティの検出や医療データ分析など、現実のシナリオにおける多くの実践的な応用を見出す。 しかし,我々の実証研究で明らかになったように,既存のマルチビュークラスタリングソリューションは,様々なビューにまたがる属性間の高い相関に大きく依存しており,MMAGにおける大規模事前学習言語と視覚モデルによって出力されるマルチモーダル属性のユニークな特性(例えば,低モダリティワイド相関と強烈な特徴ワイドノイズ)を見落とし,準最適クラスタリング性能をもたらす。 経験的観測とグラフ信号処理による理論的解析を先導したDGF (Dual Graph Filtering) スキームを提案し,提案手法は特徴分節化コンポーネントをノード表現学習に革新的に組み込むことで,既存のマルチビューグラフクラスタリング手法で採用されている従来のグラフフィルタの限界を克服する。 さらに、DGFには、三段階のコントラスト学習戦略が含まれており、モダリティ、地区、コミュニティをまたいだインスタンスレベルのコントラスト学習を用いて、堅牢で差別的なノード表現を学習する。 8つのベンチマークMMAGデータセットの総合的な実験により、DGFは、地中トラスラベルに対して測定されたクラスタリング品質において、広範囲の最先端のベースラインを一貫して、そして著しく上回ることができることが示された。

関連論文リスト

• Partial Multi-View Clustering via Meta-Learning and Contrastive Feature Alignment [13.511433241138702]
  部分的マルチビュークラスタリング (PVC) は、実世界のアプリケーションにおけるデータ分析における実用的な研究課題である。 既存のクラスタリング手法は、不完全なビューを効果的に扱うのに苦労し、サブ最適クラスタリング性能に繋がる。 非完全多視点データにおける潜在的特徴の一貫性を最大化することを目的とした、コントラスト学習に基づく新しい双対最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-14T19:16:01Z)
• 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)
• Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
  解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。 また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。 本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
  論文  参考訳（メタデータ） (2024-10-13T02:22:14Z)
• Dual Information Enhanced Multi-view Attributed Graph Clustering [11.624319530337038]
  本稿では,Dual Information enhanced Multi-view Attributed Graph Clustering (DIAGC)法を提案する。 提案手法では,複数の視点からのコンセンサスと特定情報の探索を阻害する特定情報再構成(SIR)モジュールを提案する。 相互情報最大化(MIM)モジュールは、潜在高レベル表現と低レベル表現との合意を最大化し、高レベル表現が所望のクラスタリング構造を満たすことを可能にする。
  論文  参考訳（メタデータ） (2022-11-28T01:18:04Z)
• Unified Multi-View Orthonormal Non-Negative Graph Based Clustering Framework [74.25493157757943]
  我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。 また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
  論文  参考訳（メタデータ） (2022-11-03T08:18:27Z)
• 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)
• 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)
• Generative Partial Multi-View Clustering [133.36721417531734]
  本稿では,不完全なマルチビュー問題に対処するため,GP-MVCと呼ばれる生成的部分的マルチビュークラスタリングモデルを提案する。 まず、マルチビューエンコーダネットワークをトレーニングして、一般的な低次元表現を学習し、次にクラスタリング層を使用して複数のビューをまたいだ一貫したクラスタ構造をキャプチャする。 第2に、他のビューが与える共有表現に基づいて、1つのビュー条件の欠落データを生成するために、ビュー固有の生成敵ネットワークを開発する。
  論文  参考訳（メタデータ） (2020-03-29T17:48:27Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。