論文の概要: Weighted Graph Clustering via Scale Contraction and Graph Structure Learning

• arxiv url: http://arxiv.org/abs/2601.17307v1
• Date: Sat, 24 Jan 2026 05:00:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:07.511066
• Title: Weighted Graph Clustering via Scale Contraction and Graph Structure Learning
• Title（参考訳）: スケール収縮とグラフ構造学習による重み付きグラフクラスタリング
• Authors: Haobing Liu, Yinuo Zhang, Tingting Wang, Ruobing Jiang, Yanwei Yu,
• Abstract要約: グラフクラスタリングタスクにおけるエッジウェイトの活用は、2つの重要な課題に直面します。 エッジウェイトの導入は、ストレージスペースとトレーニング時間を大幅に増加させる可能性がある。 エッジウェイト情報は本質的に、クラスタリング結果に悪影響を及ぼすノイズを含む可能性がある。 本稿では,エッジウェイト対応グラフクラスタリングネットワークを提案する。
• 参考スコア（独自算出の注目度）: 19.375976442085484
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph clustering aims to partition nodes into distinct clusters based on their similarity, thereby revealing relationships among nodes. Nevertheless, most existing methods do not fully utilize these edge weights. Leveraging edge weights in graph clustering tasks faces two critical challenges. (1) The introduction of edge weights may significantly increase storage space and training time, making it essential to reduce the graph scale while preserving nodes that are beneficial for the clustering task. (2) Edge weight information may inherently contain noise that negatively impacts clustering results. However, few studies can jointly optimize clustering and edge weights, which is crucial for mitigating the negative impact of noisy edges on clustering task. To address these challenges, we propose a contractile edge-weight-aware graph clustering network. Specifically, a cluster-oriented graph contraction module is designed to reduce the graph scale while preserving important nodes. An edge-weight-aware attention network is designed to identify and weaken noisy connections. In this way, we can more easily identify and mitigate the impact of noisy edges during the clustering process, thus enhancing clustering effectiveness. We conducted extensive experiments on three real-world weighted graph datasets. In particular, our model outperforms the best baseline, demonstrating its superior performance. Furthermore, experiments also show that the proposed graph contraction module can significantly reduce training time and storage space.
• Abstract（参考訳）: グラフクラスタリングは、ノードをその類似性に基づいて異なるクラスタに分割することを目的としており、ノード間の関係を明らかにする。 しかしながら、既存の方法の多くは、これらのエッジウェイトを完全に活用していない。 グラフクラスタリングタスクにおけるエッジウェイトの活用は、2つの重要な課題に直面します。 1) エッジウェイトの導入はストレージスペースとトレーニング時間を著しく増加させる可能性があり, クラスタリング作業に有用なノードを保存しながらグラフスケールを小さくすることが不可欠である。 2)エッジウェイト情報には,クラスタリング結果に悪影響を及ぼすノイズが本質的に含まれている可能性がある。 しかし、クラスタリングとエッジウェイトを共同で最適化できる研究はほとんどなく、これはクラスタリングタスクにおけるノイズの多いエッジの負の影響を緩和するために重要である。 これらの課題に対処するため,契約型エッジウェイト対応グラフクラスタリングネットワークを提案する。 具体的には、重要なノードを保持しながらグラフスケールを削減するために、クラスタ指向のグラフ収縮モジュールが設計されている。 エッジウェイト対応アテンションネットワークはノイズの多い接続を識別し弱めるように設計されている。 このようにして、クラスタリング過程におけるノイズの多いエッジの影響をより容易に識別し緩和し、クラスタリングの有効性を高めることができる。 3つの実世界の重み付きグラフデータセットについて広範な実験を行った。 特に、我々のモデルは最高のベースラインを上回り、その優れた性能を示している。 さらに,提案したグラフ縮退モジュールは,トレーニング時間と記憶空間を大幅に短縮できることを示す。

関連論文リスト

• 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)
• 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)
• Cluster-based Graph Collaborative Filtering [55.929052969825825]
  グラフ畳み込みネットワーク(GCN)は、レコメンデーションシステムのためのユーザおよびアイテム表現の学習に成功している。 既存のGCNベースのほとんどのメソッドは、高階グラフ畳み込みを実行しながら、ユーザの複数の関心事を見落としている。 クラスタベースグラフ協調フィルタリング(ClusterGCF)と呼ばれる新しいGCNベースのレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-16T07:05:16Z)
• 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)
• 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)
• Learning to Cluster Faces via Confidence and Connectivity Estimation [136.5291151775236]
  重複する部分グラフを多数必要とせず,完全に学習可能なクラスタリングフレームワークを提案する。 提案手法はクラスタリングの精度を大幅に向上させ,その上で訓練した認識モデルの性能を向上させるが,既存の教師付き手法に比べて桁違いに効率的である。
  論文  参考訳（メタデータ） (2020-04-01T13:39:37Z)

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。