論文の概要: Node Role-Guided LLMs for Dynamic Graph Clustering

• arxiv url: http://arxiv.org/abs/2603.13799v1
• Date: Sat, 14 Mar 2026 07:14:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.415356
• Title: Node Role-Guided LLMs for Dynamic Graph Clustering
• Title（参考訳）: 動的グラフクラスタリングのためのノードロールガイド型LLM
• Authors: Dongyuan Li, Ying Zhang, Yaozu Wu, Renhe Jiang,
• Abstract要約: 動的グラフクラスタリングは、動的グラフ内の時間変化クラスタを検出し、追跡することを目的としている。 既存の手法は主にブラックボックスモデルである。 本稿では,連続グラフ埋め込みを個別の意味概念にマッピングするエンドツーエンドの解釈可能なフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 24.24644112540304
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamic graph clustering aims to detect and track time-varying clusters in dynamic graphs, revealing how complex real-world systems evolve over time. However, existing methods are predominantly black-box models. They lack interpretability in their clustering decisions and fail to provide semantic explanations of why clusters form or how they evolve, severely limiting their use in safety-critical domains such as healthcare or transportation. To address these limitations, we propose an end-to-end interpretable framework that maps continuous graph embeddings into discrete semantic concepts through learnable prototypes. Specifically, we first decompose node representations into orthogonal role and clustering subspaces, so that nodes with similar roles (e.g., hubs, bridges) but different cluster affiliations can be properly distinguished. We then introduce five node role prototypes (Leader, Contributor, Wanderer, Connector, Newcomer) in the role subspace as semantic anchors, transforming continuous embeddings into discrete concepts to facilitate LLM understanding of node roles within communities. Finally, we design a hierarchical LLM reasoning mechanism to generate both clustering results and natural language explanations, while providing consistency feedback as weak supervision to refine node representations. Experimental results on four synthetic and six real-world benchmarks demonstrate the effectiveness, interpretability, and robustness of DyG-RoLLM. Code is available at https://github.com/Clearloveyuan/DyG-RoLLM.
• Abstract（参考訳）: 動的グラフクラスタリングは、動的グラフ内の時間変化クラスタを検出し、追跡することを目的としており、リアルタイムシステムが時間とともにどのように進化するかを明らかにする。 しかし、既存の手法は主にブラックボックスモデルである。 クラスタ化の決定には解釈可能性がなく、なぜクラスタが形成されたのか、どのように進化したのかというセマンティックな説明が得られず、医療や輸送といった安全クリティカルな領域での使用を著しく制限している。 これらの制約に対処するために,連続グラフの埋め込みを学習可能なプロトタイプを通して個別の意味概念にマッピングするエンドツーエンドの解釈可能なフレームワークを提案する。 具体的には、まずノード表現を直交的な役割とクラスタリング部分空間に分解し、類似した役割(例えば、ハブ、ブリッジ)を持つノードと異なるクラスタアフィリエイトを適切に区別できるようにする。 次に,5つのノードロールのプロトタイプ (Leader, Contributor, Wanderer, Connector, Newcomer) をセマンティックアンカーとしての役割サブスペースに導入し,連続埋め込みを独立した概念に変換することにより,コミュニティ内のノードロールのLCM理解を容易にする。 最後に、クラスタリング結果と自然言語説明の両方を生成する階層的LLM推論機構を設計し、ノード表現を洗練するための弱い監視として一貫性フィードバックを提供する。 DyG-RoLLMの有効性, 解釈性, 堅牢性を示す4つの実世界のベンチマーク実験を行った。 コードはhttps://github.com/Clearloveyuan/DyG-RoLLMで公開されている。

関連論文リスト

• Core-based Hierarchies for Efficient GraphRAG [0.0]
  GraphRAGはドキュメントを階層的なコミュニティで要約可能な知識グラフに整理する。 現在のGraphRAGアプローチは、コミュニティ検出にライデンクラスタリングを頼っているが、平均次数が一定であり、ほとんどのノードが低次であるようなスパース知識グラフでは、モジュラリティ最適化は指数関数的に多くの準最適分割を許容する。 これを解決するために、線形時間における決定論的密度認識階層を生成するkコア分解をライデンに置き換えることを提案する。
  論文  参考訳（メタデータ） (2026-03-05T14:17:30Z)
• Improving LLM Reasoning with Homophily-aware Structural and Semantic Text-Attributed Graph Compression [55.51959317490934]
  大規模言語モデル(LLM)は、テキスト分散グラフ(TAG)理解において有望な能力を示している。 グラフは本来、構造情報や意味情報を豊富に含むものであり、それらの有効利用はLLMの推論性能の潜在的な利益を解放する可能性があると論じる。 グラフホモフィリーの活用を目的としたフレームワーク LLMs (HS2C) のホモフィリー対応構造とセマンティック圧縮を提案する。
  論文  参考訳（メタデータ） (2026-01-13T03:35:18Z)
• Revisiting Self-Supervised Heterogeneous Graph Learning from Spectral Clustering Perspective [52.662463893268225]
  自己教師付きヘテロジニアスグラフ学習(SHGL)は様々なシナリオにおいて有望な可能性を示している。 既存のSHGLメソッドには2つの大きな制限がある。 ランクと二重整合性制約によって強化された新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-12-01T09:33:20Z)
• How to Make LLMs Strong Node Classifiers? [70.14063765424012]
  言語モデル(LM)は、グラフニューラルネットワーク(GNN)やグラフトランスフォーマー(GT)など、ドメイン固有のモデルの優位性に挑戦している。 本稿では,ノード分類タスクにおける最先端(SOTA)GNNに匹敵する性能を実現するために,既製のLMを有効活用する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-03T08:27:54Z)
• Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
  本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。 提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。 フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
  論文  参考訳（メタデータ） (2023-08-13T18:12:28Z)
• CGC: Contrastive Graph Clustering for Community Detection and Tracking [33.48636823444052]
  グラフクラスタリングのための新しいエンドツーエンドフレームワークであるCGCを開発した。 CGCは、対照的なグラフ学習フレームワークでノードの埋め込みとクラスタ割り当てを学習する。 時間進化データに対してCGCを拡張し、時間的グラフクラスタリングを漸進的な学習方式で行う。
  論文  参考訳（メタデータ） (2022-04-05T17:34:47Z)
• Graph Representation Learning via Contrasting Cluster Assignments [57.87743170674533]
  GRCCAと呼ばれるクラスタ割り当てを対比して、教師なしグラフ表現モデルを提案する。 クラスタリングアルゴリズムとコントラスト学習を組み合わせることで、局所的およびグローバルな情報を合成的にうまく活用する動機付けがある。 GRCCAは、ほとんどのタスクにおいて強力な競争力を持っている。
  論文  参考訳（メタデータ） (2021-12-15T07:28:58Z)

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。