論文の概要: Hyperbolic Continuous Structural Entropy for Hierarchical Clustering

• arxiv url: http://arxiv.org/abs/2512.00524v1
• Date: Sat, 29 Nov 2025 15:41:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.278053
• Title: Hyperbolic Continuous Structural Entropy for Hierarchical Clustering
• Title（参考訳）: 階層クラスタリングのための双曲的連続構造エントロピー
• Authors: Guangjie Zeng, Hao Peng, Angsheng Li, Li Sun, Chunyang Liu, Shengze Li, Yicheng Pan, Philip S. Yu,
• Abstract要約: 構造強化型連続階層クラスタリングのための双曲型連続構造エントロピーニューラルネットワークHypCSEを提案する。 我々のキーとなる考え方は、双曲空間におけるデータポイントをマッピングし、構造強化グラフ上の緩和された連続構造エントロピー(SE)を最小化することである。
• 参考スコア（独自算出の注目度）: 44.7029391270538
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hierarchical clustering is a fundamental machine-learning technique for grouping data points into dendrograms. However, existing hierarchical clustering methods encounter two primary challenges: 1) Most methods specify dendrograms without a global objective. 2) Graph-based methods often neglect the significance of graph structure, optimizing objectives on complete or static predefined graphs. In this work, we propose Hyperbolic Continuous Structural Entropy neural networks, namely HypCSE, for structure-enhanced continuous hierarchical clustering. Our key idea is to map data points in the hyperbolic space and minimize the relaxed continuous structural entropy (SE) on structure-enhanced graphs. Specifically, we encode graph vertices in hyperbolic space using hyperbolic graph neural networks and minimize approximate SE defined on graph embeddings. To make the SE objective differentiable for optimization, we reformulate it into a function using the lowest common ancestor (LCA) on trees and then relax it into continuous SE (CSE) by the analogy of hyperbolic graph embeddings and partitioning trees. To ensure a graph structure that effectively captures the hierarchy of data points for CSE calculation, we employ a graph structure learning (GSL) strategy that updates the graph structure during training. Extensive experiments on seven datasets demonstrate the superior performance of HypCSE.
• Abstract（参考訳）: 階層クラスタリングは、データポイントをデンドログラムにグループ化するための基本的な機械学習技術である。 しかし、既存の階層的クラスタリング手法は2つの大きな課題に直面している。 1) 大域的な目的を持たないデンドログラムを指定する方法がほとんどである。 2)グラフに基づく手法は,グラフ構造の重要性を無視することが多く,目的をグラフの完全あるいは静的に定義したグラフ上で最適化する。 本研究では,構造強化型連続階層クラスタリングのためのハイパーボリック連続構造エントロピーニューラルネットワーク,すなわちHypCSEを提案する。 我々のキーとなる考え方は、双曲空間におけるデータポイントをマッピングし、構造強化グラフ上の緩和された連続構造エントロピー(SE)を最小化することである。 具体的には、双曲型グラフニューラルネットワークを用いて、双曲型空間におけるグラフ頂点を符号化し、グラフ埋め込み上で定義された近似SEを最小化する。 最適化のためにSEの目的を微分できるように、木上の最も低い共通祖先(LCA)を用いて関数に再構成し、双曲グラフの埋め込みと分割木の類似により連続SE(CSE)に緩和する。 CSE計算のためのデータポイントの階層構造を効果的に把握するグラフ構造を確保するために、トレーニング中にグラフ構造を更新するグラフ構造学習(GSL)戦略を用いる。 7つのデータセットに対する大規模な実験は、HypCSEの優れた性能を示している。

関連論文リスト

• Dynamic Deep Graph Learning for Incomplete Multi-View Clustering with Masked Graph Reconstruction Loss [26.31060859315329]
  textbfIncomplete textbfMulti-textbfView textbfClustering with textbfMasked Graph Reconstruction Loss (DGIMVCM)を提案する。 次に、グラフ畳み込み埋め込み層を設計し、主要な特徴を抽出し、動的なビュー固有のグラフ構造を洗練し、グローバルグラフを利用して、不足するビューの計算を行う。
  論文  参考訳（メタデータ） (2025-11-14T11:26:38Z)
• Unsupervised Graph Clustering with Deep Structural Entropy [25.38926876388394]
  DeSEは、Deep Structure Entropyを取り入れた、新しい教師なしグラフクラスタリングフレームワークである。 クラスタを形成するために、量子化された構造情報とディープニューラルネットワークを備えたオリジナルのグラフを強化する。 クラスタリング代入法は,拡張グラフ上のクラスタへのノード埋め込みとソフトな代入行列を学習する。
  論文  参考訳（メタデータ） (2025-05-20T07:38:06Z)
• LSEnet: Lorentz Structural Entropy Neural Network for Deep Graph Clustering [59.89626219328127]
  グラフクラスタリングは機械学習の基本的な問題である。 近年、ディープラーニング手法は最先端の成果を達成しているが、事前に定義されたクラスタ番号なしでは動作できない。 本稿では,グラフ情報理論の新たな視点からこの問題に対処することを提案する。
  論文  参考訳（メタデータ） (2024-05-20T05:46:41Z)
• Structure-free Graph Condensation: From Large-scale Graphs to Condensed Graph-free Data [91.27527985415007]
  既存のグラフ凝縮法は、凝縮グラフ内のノードと構造の合同最適化に依存している。 我々は、大規模グラフを小さなグラフノード集合に蒸留する、SFGCと呼ばれる新しい構造自由グラフ凝縮パラダイムを提唱する。
  論文  参考訳（メタデータ） (2023-06-05T07:53:52Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• Structure-Preserving Graph Representation Learning [43.43429108503634]
  本研究では,グラフの構造情報を完全にキャプチャする構造保存グラフ表現学習(SPGRL)手法を提案する。 具体的には、元のグラフの不確かさと誤情報を減らすために、k-Nearest Neighbor法による補完的なビューとして特徴グラフを構築する。 本手法は、半教師付きノード分類タスクにおいて非常に優れた性能を示し、グラフ構造やノード特徴に対するノイズ摂動下での堅牢性に優れる。
  論文  参考訳（メタデータ） (2022-09-02T02:49:19Z)
• Adaptive Graph Auto-Encoder for General Data Clustering [90.8576971748142]
  グラフベースのクラスタリングは、クラスタリング領域において重要な役割を果たす。 グラフ畳み込みニューラルネットワークに関する最近の研究は、グラフ型データにおいて驚くべき成功を収めている。 本稿では,グラフの生成的視点に応じて適応的にグラフを構成する汎用データクラスタリングのためのグラフ自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2020-02-20T10:11:28Z)

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。