論文の概要: Deep Temporal Graph Clustering: A Comprehensive Benchmark and Datasets

• arxiv url: http://arxiv.org/abs/2601.12903v1
• Date: Mon, 19 Jan 2026 09:58:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.847436
• Title: Deep Temporal Graph Clustering: A Comprehensive Benchmark and Datasets
• Title（参考訳）: Deep Temporal Graph Clustering: 包括的なベンチマークとデータセット
• Authors: Meng Liu, Ke Liang, Siwei Wang, Xingchen Hu, Sihang Zhou, Xinwang Liu,
• Abstract要約: 時間グラフクラスタリング(TGC)は、時間グラフのノードクラスタリングに焦点を当てた、ほとんど注目されていない新しいタスクである。 これらの課題に対処するために、BenchTGCと呼ばれる包括的なベンチマークを提案する。 具体的には、時間グラフクラスタリングのパラダイムを説明するためのBenchTGCフレームワークを設計し、時間グラフに適合する既存のクラスタリング技術を改善する。
• 参考スコア（独自算出の注目度）: 43.58219036982937
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal Graph Clustering (TGC) is a new task with little attention, focusing on node clustering in temporal graphs. Compared with existing static graph clustering, it can find the balance between time requirement and space requirement (Time-Space Balance) through the interaction sequence-based batch-processing pattern. However, there are two major challenges that hinder the development of TGC, i.e., inapplicable clustering techniques and inapplicable datasets. To address these challenges, we propose a comprehensive benchmark, called BenchTGC. Specially, we design a BenchTGC Framework to illustrate the paradigm of temporal graph clustering and improve existing clustering techniques to fit temporal graphs. In addition, we also discuss problems with public temporal graph datasets and develop multiple datasets suitable for TGC task, called BenchTGC Datasets. According to extensive experiments, we not only verify the advantages of BenchTGC, but also demonstrate the necessity and importance of TGC task. We wish to point out that the dynamically changing and complex scenarios in real world are the foundation of temporal graph clustering. The code and data is available at: https://github.com/MGitHubL/BenchTGC.
• Abstract（参考訳）: 時間グラフクラスタリング(TGC)は、時間グラフのノードクラスタリングに焦点を当てた、ほとんど注目されていない新しいタスクである。 既存の静的グラフクラスタリングと比較して、インタラクションシーケンスベースのバッチ処理パターンを通じて、時間要件と空間要件(時間空間バランス)のバランスを見つけることができる。 しかし、TGCの開発を妨げる2つの大きな課題、すなわち、適用不可能なクラスタリング技術と適用不能なデータセットがある。 これらの課題に対処するために、BenchTGCと呼ばれる包括的なベンチマークを提案する。 具体的には、時間グラフクラスタリングのパラダイムを説明するためのBenchTGCフレームワークを設計し、時間グラフに適合する既存のクラスタリング技術を改善する。 さらに、公開時空間グラフデータセットの問題も議論し、BenchTGCデータセットと呼ばれるTGCタスクに適した複数のデータセットを開発する。 広汎な実験により,BenchTGCの利点を検証するとともに,TGCタスクの必要性と重要性を実証した。 実世界の動的に変化する複雑なシナリオが、時間グラフクラスタリングの基礎であることを指摘したいと思います。 コードとデータは、https://github.com/MGitHubL/BenchTGCで入手できる。

関連論文リスト

• CueGCL: Cluster-aware Personalized Self-Training for Unsupervised Graph Contrastive Learning [49.88192702588169]
  本稿ではクラスタリング結果とノード表現を協調的に学習するクラスタ対応グラフコントラスト学習フレームワーク(CueGCL)を提案する。 具体的には、教師なしシナリオのためのパーソナライズされた自己学習(PeST)戦略を設計し、クラスタレベルのパーソナライズされた正確な情報をモデルが取得できるようにする。 本稿では,モデルの有効性を理論的に実証し,クラスタ構造が著しく識別可能な埋め込み空間が得られることを示した。
  論文  参考訳（メタデータ） (2023-11-18T13:45:21Z)
• arXiv4TGC: Large-Scale Datasets for Temporal Graph Clustering [52.63652741011945]
  我々は、時間グラフクラスタリングのための新しい学術データセットであるarXiv4TGCを構築した。 特に、最大のデータセットであるarXivLargeには、13万のラベル付き利用可能なノードと1000万の時間エッジが含まれている。 arXiv4TGCのクラスタリング性能は、異なるモデルを評価する上でより明白である。
  論文  参考訳（メタデータ） (2023-06-08T06:37:04Z)
• Deep Temporal Graph Clustering [77.02070768950145]
  深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。 GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。 我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
  論文  参考訳（メタデータ） (2023-05-18T06:17:50Z)
• Clustering of Time-Varying Graphs Based on Temporal Label Smoothness [28.025212175496964]
  本稿では,クラスタラベルが時間とともにスムーズに変化するという仮定に基づいて,時間変化グラフのノードクラスタリング手法を提案する。 提案手法の有効性を検証するために,合成および実世界の時間変化グラフの実験を行った。
  論文  参考訳（メタデータ） (2023-05-11T05:20:41Z)

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。