論文の概要: Clustering Node Attributed Networks with Graph Neural Networks and Self Learning

• arxiv url: http://arxiv.org/abs/2606.13444v1
• Date: Thu, 11 Jun 2026 15:05:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.869053
• Title: Clustering Node Attributed Networks with Graph Neural Networks and Self Learning
• Title（参考訳）: グラフニューラルネットワークと自己学習によるノード分散ネットワークのクラスタリング
• Authors: Rodrigo de Sapienza Luna, Daniel Ratton Figueiredo,
• Abstract要約: 本研究は,グラフクラスタリングにグラフニューラルネットワーク(GNN)を適用した先行研究に基づいて,新たなフレームワークを提案する。 各ラウンドで、GNNはノードをクラスタリングするために使用されるノードの表現を生成する。 このクラスタリングは、次のラウンドでノード表現を生成するために使用されるグラフに影響を与える。 実験の結果,提案手法は合成データ中のネットワークエッジとノード属性の両方から情報を抽出することがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph clustering - partitioning the node set of a graph into disjoint subsets that reflect some latent information - is a fundamental problem as it finds applications in a myriad of different scenarios. While this classic problem has been tackled for decades by different communities, a recent variation of the problem driven by real data considers the scenario where nodes have attributes that are also informative. This has triggered novel methods that simultaneously leverage network information (edges) and node information (attributed) in the design of novel clustering algorithms. This work proposes a novel framework that builds on prior works that have applied graph neural networks (GNN) to graph clustering. The proposed framework operates in rounds of self learning in a fully unsupervised setting. In each round, a GNN generates representations for nodes that are used to cluster the nodes. This clustering influences the graph used to generate the node representation in the next round. Moreover, a context graph built in each round using the original graph is used to generate the node representations. Empirical results show that the proposed methodology extracts information from both network edges and node attributes in synthetic data, outperforming algorithms focused solely on the network or attributes when neither are very informative. Multiple rounds of learning also improve the performance and always outperforms a long single round of training (i.e., classic GNN graph clustering). When considering real datasets, empirical results indicate that the proposed methodology is competitive to state-of-the-art methods when cluster sizes are balanced.
• Abstract（参考訳）: グラフクラスタリング(Graph clustering) - グラフのノードセットを、潜伏した情報を反映した非結合なサブセットに分割する — は、さまざまなシナリオのアプリケーションを見つける上で、根本的な問題である。 この古典的な問題は、何十年にもわたって異なるコミュニティによって取り組まれてきたが、実際のデータによって引き起こされる問題の最近のバリエーションは、ノードが有意義な属性を持つシナリオを考慮に入れている。 これにより、新しいクラスタリングアルゴリズムの設計において、ネットワーク情報(エッジ)とノード情報(分散)を同時に活用する新しい手法がもたらされた。 本研究は,グラフクラスタリングにグラフニューラルネットワーク(GNN)を適用した先行研究に基づいて,新たなフレームワークを提案する。 提案するフレームワークは、完全に教師なしの環境で、自己学習のラウンドで運用されている。 各ラウンドで、GNNはノードをクラスタリングするために使用されるノードの表現を生成する。 このクラスタリングは、次のラウンドでノード表現を生成するために使用されるグラフに影響を与える。 さらに、元のグラフを使用して各ラウンドに構築されたコンテキストグラフを用いてノード表現を生成する。 実験結果から,提案手法は合成データ中のネットワークエッジとノード属性の両方から情報を抽出し,ネットワークにのみ焦点を絞ったアルゴリズムや,情報的でない場合の属性よりも優れることがわかった。 複数の学習ラウンドはパフォーマンスも向上し、常に1ラウンドのトレーニング(古典的なGNNグラフクラスタリング)よりも優れています。 実際のデータセットを考慮すると,提案手法はクラスタサイズが均衡している場合に,最先端の手法と競合することを示す。

関連論文リスト

• 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)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• Dink-Net: Neural Clustering on Large Graphs [59.10189693120368]
  ディープグラフクラスタリング法 (Dink-Net) は, 拡張と縮小という概念を用いて提案される。 ノードを識別することにより、拡張によって劣化しても、表現は自己教師された方法で学習される。 クラスタリング分布は、提案したクラスタ拡張損失とクラスタ縮小損失を最小化することにより最適化される。 ランナアップと比較して、Dink-Net 9.62%は1100万ノードと16億エッジを持つogbn-papers100MデータセットでNMIの改善を実現している。
  論文  参考訳（メタデータ） (2023-05-28T15:33:24Z)
• Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
  本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。 Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-05-18T07:27:18Z)
• Graph InfoClust: Leveraging cluster-level node information for unsupervised graph representation learning [12.592903558338444]
  本稿では,グラフ InfoClust というグラフ表現学習手法を提案する。 同社はさらに、クラスタレベルの情報コンテンツをキャプチャしようとしている。 この最適化により、ノード表現はよりリッチな情報とノイズ相互作用をキャプチャし、それによって品質が向上する。
  論文  参考訳（メタデータ） (2020-09-15T09:33:20Z)
• CAGNN: Cluster-Aware Graph Neural Networks for Unsupervised Graph Representation Learning [19.432449825536423]
  教師なしグラフ表現学習は、教師なしの低次元ノード埋め込みを学習することを目的としている。 本稿では、自己教師付き手法を用いた教師なしグラフ表現学習のための新しいクラスタ対応グラフニューラルネットワーク(CAGNN)モデルを提案する。
  論文  参考訳（メタデータ） (2020-09-03T13:57:18Z)

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。