論文の概要: Differentiable Tripartite Modularity for Clustering Heterogeneous Graphs

• arxiv url: http://arxiv.org/abs/2602.09864v1
• Date: Tue, 10 Feb 2026 15:06:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.624466
• Title: Differentiable Tripartite Modularity for Clustering Heterogeneous Graphs
• Title（参考訳）: 不均一グラフのクラスタリングのための微分三部構造
• Authors: Benoît Hurpeau,
• Abstract要約: 相互作用を通して連結された3つのノードタイプからなるグラフに対して,三部分母モジュラリティの微分可能な定式化を導入する。 コミュニティ構造は、三部グラフ上の重み付きコパスと、高密度な三階テンソルの明示的な構成を避けるための正確な分解計算によって定義される。 提案手法を大規模都市カダストラルデータに適用し,頑健な収束挙動を示し,空間的コヒーレントな分割を生成する枠組みを検証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Clustering heterogeneous relational data remains a central challenge in graph learning, particularly when interactions involve more than two types of entities. While differentiable modularity objectives such as DMoN have enabled end-to-end community detection on homogeneous and bipartite graphs, extending these approaches to higher-order relational structures remains non-trivial. In this work, we introduce a differentiable formulation of tripartite modularity for graphs composed of three node types connected through mediated interactions. Community structure is defined in terms of weighted co-paths across the tripartite graph, together with an exact factorized computation that avoids the explicit construction of dense third-order tensors. A structural normalization at pivot nodes is introduced to control extreme degree heterogeneity and ensure stable optimization. The resulting objective can be optimized jointly with a graph neural network in an end-to-end manner, while retaining linear complexity in the number of edges. We validate the proposed framework on large-scale urban cadastral data, where it exhibits robust convergence behavior and produces spatially coherent partitions. These results highlight differentiable tripartite modularity as a generic methodological building block for unsupervised clustering of heterogeneous graphs.
• Abstract（参考訳）: 異種関係データのクラスタリングは、特に相互作用が2種類以上のエンティティを含む場合、グラフ学習において依然として中心的な課題である。 DMoNのようなモジュラリティの異なる目的は、均質グラフや二部グラフ上でのエンドツーエンドのコミュニティ検出を可能にするが、これらのアプローチを高階関係構造にまで拡張することは簡単ではない。 そこで本研究では,3つのノードタイプからなるグラフに対する三部分母モジュラリティの微分可能な定式化を導入する。 コミュニティ構造は、三部グラフ上の重み付きコパスと、高密度な三階テンソルの明示的な構成を避けるための正確な分解計算によって定義される。 極度の不均一性を制御し、安定した最適化を確保するために、ピボットノードにおける構造正規化を導入する。 結果として得られる目的は、エッジ数の線形複雑性を維持しながら、エンドツーエンドでグラフニューラルネットワークと共同で最適化することができる。 提案手法を大規模都市カダストラルデータに適用し,頑健な収束挙動を示し,空間的コヒーレントな分割を生成する枠組みを検証した。 これらの結果は、異種グラフの教師なしクラスタリングのための一般的な方法論的ビルディングブロックとして、微分可能な三部モジュラリティを強調している。

関連論文リスト

• Community-Level Modeling of Gyral Folding Patterns for Robust and Anatomically Informed Individualized Brain Mapping [29.127228105988166]
  皮質の折りたたみは、安定した解剖学的ランドマークを維持しながら、個人間の大きなばらつきを示す。 既存のランドマークベースの手法は、通常、それぞれの3HGを独立してモデル化する。 コミュニティレベルの折り畳み単位をモデル化するスペクトルグラフ表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-01T23:13:01Z)
• Topology Identification and Inference over Graphs [61.06365536861156]
  グラフ上で進化するプロセスのトポロジの同定と推論は、脳、輸送、金融、電力、および社会的および情報ネットワークを含むタイムリーな応用に現れる。 本章では,多次元データに対するグラフトポロジ同定と統計的推測手法の概要について述べる。
  論文  参考訳（メタデータ） (2025-12-11T00:47:09Z)
• Geometric Decomposition of Statistical Inference through Gradient Flow and Co-Monotonicity Measures [0.0]
  地域分析に推論問題を分割するための2つの戦略を提供する幾何学的分解フレームワークを開発する。 経路単調性検証離散モース理論を用いてサンプルを勾配流セルに分割し,結果が単調な振る舞いを示す。 共単調性分解は結合構造を利用し、サンプルの結合空間への埋め込みを定義する。
  論文  参考訳（メタデータ） (2025-11-06T17:51:32Z)
• One-step Bipartite Graph Cut: A Normalized Formulation and Its Application to Scalable Subspace Clustering [56.81492360414741]
  両部グラフの1ステップ正規化カットを、特に線形時間複雑性で実施する方法を示す。 本稿では、まず、正規化制約付き一段階二分グラフカット基準を特徴付けるとともに、そのトレース問題に対する等価性を理論的に証明する。 このカット基準を、適応アンカー学習、二部グラフ学習、一段階正規化二部グラフ分割を同時にモデル化するスケーラブルなサブスペースクラスタリングアプローチに拡張する。
  論文  参考訳（メタデータ） (2023-05-12T11:27:20Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
  本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。 GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。 4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-25T03:54:53Z)
• Reinforced Neighborhood Selection Guided Multi-Relational Graph Neural Networks [68.9026534589483]
  RioGNNはReinforceed, recursive, flexible neighborhood selection guided multi-relational Graph Neural Network architectureである。 RioGNNは、各関係の個々の重要性の認識により、説明性を高めた差別的なノード埋め込みを学ぶことができる。
  論文  参考訳（メタデータ） (2021-04-16T04:30:06Z)
• Adversarial Graph Disentanglement [47.27978741175575]
  実世界のグラフは複雑な位相構造を持ち、しばしば異なる潜在因子の相互作用によって形成される。 グラフ表現学習のためのアンダーラインtextbfAdversarial underlinetextbfDisentangled underlinetextbfGraph underlinetextbfConvolutional underlinetextbfNetwork (ADGCN)を提案する。
  論文  参考訳（メタデータ） (2021-03-12T14:11:36Z)

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。