論文の概要: PHIDA: Persistence-Guided Node-to-Cluster Mapping for Online Clustering

• arxiv url: http://arxiv.org/abs/2605.08673v1
• Date: Sat, 09 May 2026 04:21:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.805218
• Title: PHIDA: Persistence-Guided Node-to-Cluster Mapping for Online Clustering
• Title（参考訳）: PHIDA: オンラインクラスタリングのための永続化ガイド付きノード-クラスタマッピング
• Abstract要約: 暗黙のマッピングは、学習ノード上のグラフ内の距離に基づいて、弱いグラフブリッジや局所関係に敏感な出力クラスタを作る。 本稿では,学習ノードを用いたオンラインクラスタリングのための永続化誘導ノードクラスタマッピング手法であるPHIDAを提案する。
• 参考スコア（独自算出の注目度）: 15.487730314073895
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Online clustering methods that adaptively create and update nodes as data arrive often make node learning explicit, whereas the mapping from the learned node state to output clusters often remains implicit or simplified. Implicit mappings make output clusters sensitive to weak graph bridges or local relations based on distance in the graph over learned nodes, leaving no explicit constraint on which node groups remain intact during mapping. This paper addresses this gap by proposing PHIDA, a persistence-guided node-to-cluster mapping method for online clustering with learned nodes. PHIDA implements this mapping within Adaptive Resonance Theory (ART)-based online clustering by combining Inverse-Distance ART (IDA) node learning with node-to-cluster mapping constrained by Persistent Homology (PH). Experiments on 24 benchmark datasets show that PHIDA achieves the best average ranks in stationary comparisons that include the recent stationary-only clustering methods, while also improving aggregate performance in the nonstationary setting over the evaluated online methods that adaptively create and update nodes. Ablations and comparisons with conventional node-to-cluster mappings indicate that the observed gains are associated with PH-constrained mapping that preserves raw PH components, together with the use of the PH component view during node learning. Source code is available at https://github.com/Masuyama-lab/PHIDA
• Abstract（参考訳）: データの到着時にノードを適応的に作成および更新するオンラインクラスタリングメソッドは、ノードの学習を明示することが多いが、学習したノード状態から出力クラスタへのマッピングは、暗黙的あるいは単純化されたままであることが多い。 暗黙のマッピングは、学習ノード上のグラフ内の距離に基づいて、弱いグラフブリッジや局所関係に敏感な出力クラスタを作る。 本稿では,学習ノードを用いたオンラインクラスタリングのための永続化誘導ノード-クラスタマッピング手法であるPHIDAを提案する。 PHIDAは、Inverse-Distance ART (IDA) ノード学習と Persistent Homology (PH) で制約されたノード間クラスタマッピングを組み合わせることで、ART(Adaptive Resonance Theory) ベースのオンラインクラスタリングにこのマッピングを実装している。 24のベンチマークデータセットでの実験では、PHIDAは、最近の定常的なクラスタリング手法を含む定常的な比較において、最高の平均ランクを達成し、ノードを適応的に作成および更新する評価されたオンラインメソッドよりも、非定常的な設定における集約性能を改善した。 従来のノード・クラスタ間マッピングとの比較では、観測された利得は、ノード学習におけるPHコンポーネントビューの使用とともに、生のPHコンポーネントを保存するPH制約マッピングと関連していることが示された。 ソースコードはhttps://github.com/Masuyama-lab/PHIDAで入手できる。

関連論文リスト

• Feature-Centric Unsupervised Node Representation Learning Without Homophily Assumption [42.01708807474685]
  FUELは、クラス内類似性とクラス間分離性を高めることを目的として、グラフ畳み込み使用の適切な程度を学習する。 我々は、下流タスクにおけるFUELの有効性を実証し、様々なレベルのホモフィリーを持つグラフにまたがって最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-12-17T06:04:37Z)
• Divide-Then-Rule: A Cluster-Driven Hierarchical Interpolator for Attribute-Missing Graphs [51.13363550716544]
  ディープグラフクラスタリングは、不完全な属性を持つノードを異なるクラスタに分割することを目的とした教師なしのタスクである。 既存の属性欠落グラフの計算法は、ノード近傍で利用可能な情報の量が異なることを説明できないことが多い。 この問題に対処するために、DTRGC(Divide-Then-Rule Graph Completion)を提案する。
  論文  参考訳（メタデータ） (2025-07-12T03:33:19Z)
• MHGNet: Multi-Heterogeneous Graph Neural Network for Traffic Prediction [0.0937465283958018]
  MHGNetは、多元グラフをモデリングするための新しいフレームワークである。 STDモジュールはシングルパターンのトラフィックデータをマルチパターンのトラフィックデータに分離する。 Node Clustererは、ノード間のユークリッド距離を利用して、O(N)時間複雑さでクラスタリングを実行する。
  論文  参考訳（メタデータ） (2025-01-07T09:10:09Z)
• Reliable Node Similarity Matrix Guided Contrastive Graph Clustering [51.23437296378319]
  我々は、新しいフレームワーク、Reliable Node similarity Matrix Guided Contrastive Graph Clustering (NS4GC)を紹介した。 本手法は,ノード近傍のアライメントとセマンティック・アウェア・スパリフィケーションを導入し,ノード類似度行列が正確かつ効率的にスパースであることを保証する。
  論文  参考訳（メタデータ） (2024-08-07T13:36:03Z)
• 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)
• Attention-driven Graph Clustering Network [49.040136530379094]
  我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。 AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。 AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
  論文  参考訳（メタデータ） (2021-08-12T02:30:38Z)
• A Framework for Joint Unsupervised Learning of Cluster-Aware Embedding for Heterogeneous Networks [6.900303913555705]
  Heterogeneous Information Network (HIN) は、HINの構造と意味を保存しているHINノードの低次元投影を指す。 本稿では,クラスタ埋め込みとクラスタ認識HIN埋め込みの併用学習を提案する。
  論文  参考訳（メタデータ） (2021-08-09T11:36:36Z)
• Higher-Order Attribute-Enhancing Heterogeneous Graph Neural Networks [67.25782890241496]
  異種ネットワーク表現学習のための高次属性強化グラフニューラルネットワーク(HAEGNN)を提案する。 HAEGNNは、リッチで異質なセマンティクスのためのメタパスとメタグラフを同時に組み込む。 ノード分類、ノードクラスタリング、可視化における最先端の手法よりも優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2021-04-16T04:56:38Z)
• Variational Co-embedding Learning for Attributed Network Clustering [30.7006907516984]
  属性ネットワーククラスタリングの最近の研究は、グラフ畳み込みを利用してノード埋め込みを取得し、同時に埋め込み空間上でクラスタリング割り当てを行う。 属性ネットワーククラスタリング(ANC)のための分散共埋め込み学習モデルを提案する。 ANCは、ノードと属性を同時に埋め込む2つの変分自動エンコーダで構成されている。
  論文  参考訳（メタデータ） (2021-04-15T08:11:47Z)
• Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
  半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。 推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。 4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
  論文  参考訳（メタデータ） (2020-01-17T02:52:30Z)

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。