論文の概要: Bridge the Gaps: Heterogeneous Attributed Graph Clustering via Quaternion Representation Learning

• arxiv url: http://arxiv.org/abs/2606.23199v1
• Date: Mon, 22 Jun 2026 11:46:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 23:23:59.36286
• Title: Bridge the Gaps: Heterogeneous Attributed Graph Clustering via Quaternion Representation Learning
• Title（参考訳）: ギャップのブリッジ:四元数表現学習による不均一な分散グラフクラスタリング
• Authors: Xinxi Chen, Junyang Chen, Yiqun Zhang, Chuangming Qiu, Xiang Zhang,
• Abstract要約: 分散グラフクラスタリングはノード属性とグラフトポロジを併用することでノードを分割する。 エンドツーエンドフレームワークであるAny-type attributed Graph Representation lEarning (AGREE)を提案する。 マルチレベルアライメントと類似性に基づくグラフ構築を通じて、属性グラフと任意のタイプの属性データを統一する。
• 参考スコア（独自算出の注目度）: 14.02813695997424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Attributed graph clustering partitions nodes by jointly exploiting node attributes and graph topology. It remains challenging due to attribute heterogeneity and representation degradation during graph learning. Real-world datasets often contain heterogeneous attributes, i.e., numerical and categorical attributes, complicating unified representation learning. This challenge becomes more complex in attributed graphs, where constructing a clustering-friendly graph structure from attributes and topology remains difficult. Under deep graph architectures, repeated graph propagation causes node embeddings to become overly similar, leading to the over-smoothing (OS) effect. Meanwhile, graph representation learning amplifies topological influence, making discriminative attribute information harder to exploit for clustering, an effect we refer to as over-dominating (OD). To bridge these gaps, an end-to-end framework, Any-type attributed Graph REpresentation lEarning (AGREE), is proposed. It unifies attributed graphs and any-type attributed data through multi-level alignment and similarity-based graph construction. Quaternion-based graph convolution strengthens attribute interaction to alleviate OD, while shallow graph architectures help relieve OS. The learned embeddings are jointly optimized for graph reconstruction and clustering, without requiring a predefined number of clusters during training. Experiments on diverse benchmarks show that AGREE achieves strong overall performance in accuracy, robustness, and adaptability.
• Abstract（参考訳）: 分散グラフクラスタリングはノード属性とグラフトポロジを併用することでノードを分割する。 属性の不均一性とグラフ学習時の表現の劣化により、依然として困難である。 実世界のデータセットは、しばしば不均一な属性、すなわち数値的属性と分類的属性を含んでおり、統一表現学習を複雑にしている。 この課題は、属性やトポロジーからクラスタリングに親しみやすいグラフ構造を構築するのが困難である、属性付きグラフにおいてより複雑になる。 ディープグラフアーキテクチャでは、繰り返しグラフの伝播がノードの埋め込みを極端に類似させ、オーバー・スムーシング(OS)効果をもたらす。 一方、グラフ表現学習は、トポロジ的影響を増幅し、クラスタリングに利用しにくくする。 これらのギャップを埋めるため、Any-type attributed Graph Representation lEarning (AGREE) というエンドツーエンドフレームワークが提案されている。 マルチレベルアライメントと類似性に基づくグラフ構築を通じて、属性グラフと任意のタイプの属性データを統一する。 四元数ベースのグラフ畳み込みはODを緩和するために属性相互作用を強化し、浅いグラフアーキテクチャはOSを緩和するのに役立つ。 学習した埋め込みは、トレーニング中に事前に定義された数のクラスタを必要とすることなく、グラフの再構築とクラスタリングに共同で最適化される。 多様なベンチマークの実験では、AGREEは正確性、堅牢性、適応性において、全体的なパフォーマンスを強く達成している。

関連論文リスト

• Robust Learning on Heterogeneous Graphs with Heterophily: A Graph Structure Learning Approach [10.65673380743972]
  不均質なグラフは、複雑な現実世界のシステムをモデル化するための強力な抽象化として現れている。 本稿では,不均質グラフ構造と雑音グラフ構造を協調的に扱う統一フレームワークであるヘテロジニアスグラフ統一学習(HGUL)を提案する。 複数のデータセットに対する大規模な実験により、HGULはクリーングラフ上の既存の手法を一貫して上回り、様々な構造的ノイズの下で強い堅牢性を維持することを示した。
  論文  参考訳（メタデータ） (2026-04-30T03:55:54Z)
• GLANCE: Graph Logic Attention Network with Cluster Enhancement for Heterophilous Graph Representation Learning [47.674647127050186]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データから学習する上で大きな成功を収めている。 本稿では,論理誘導推論,動的グラフ改善,適応クラスタリングを統合し,グラフ表現学習を強化する新しいフレームワークであるGLANCEを提案する。
  論文  参考訳（メタデータ） (2025-07-24T15:45:26Z)
• HyReaL: Clustering Attributed Graph via Hyper-Complex Space Representation Learning [37.661843950288144]
  我々は,属性の表現学習を強化するために,強力な四元数特徴変換を備えた超複素空間を導入する。 HyReaLが学習したノード表現は、より差別的で、様々な$k$の下流クラスタリングに適していることが判明した。
  論文  参考訳（メタデータ） (2024-11-22T04:46:31Z)
• GraphEdit: Large Language Models for Graph Structure Learning [14.16155596597421]
  グラフ構造学習(GSL)は、グラフ構造データ中のノード間の固有の依存関係と相互作用をキャプチャすることに焦点を当てている。 既存のGSL法は、監督信号として明示的なグラフ構造情報に大きく依存している。 グラフ構造化データの複雑なノード関係を学習するために,大規模言語モデル(LLM)を利用したグラフ編集を提案する。
  論文  参考訳（メタデータ） (2024-02-23T08:29:42Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• Redundancy-Free Self-Supervised Relational Learning for Graph Clustering [13.176413653235311]
  冗長フリーグラフクラスタリング(R$2$FGC)という,自己教師付き深層グラフクラスタリング手法を提案する。 オートエンコーダとグラフオートエンコーダに基づいて,グローバルビューとローカルビューの両方から属性レベルと構造レベルの関係情報を抽出する。 この実験は,R$2$FGCが最先端のベースラインよりも優れていることを示すために,広く使用されているベンチマークデータセット上で実施されている。
  論文  参考訳（メタデータ） (2023-09-09T06:18:50Z)
• 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)
• Multi-Level Graph Contrastive Learning [38.022118893733804]
  本稿では,グラフの空間ビューを対比することで,グラフデータの堅牢な表現を学習するためのマルチレベルグラフコントラスト学習(MLGCL)フレームワークを提案する。 元のグラフは1次近似構造であり、不確実性や誤りを含むが、符号化機能によって生成された$k$NNグラフは高次近接性を保持する。 MLGCLは、7つのデータセット上の既存の最先端グラフ表現学習法と比較して有望な結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-07-06T14:24:43Z)
• 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)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Adaptive Graph Auto-Encoder for General Data Clustering [90.8576971748142]
  グラフベースのクラスタリングは、クラスタリング領域において重要な役割を果たす。 グラフ畳み込みニューラルネットワークに関する最近の研究は、グラフ型データにおいて驚くべき成功を収めている。 本稿では,グラフの生成的視点に応じて適応的にグラフを構成する汎用データクラスタリングのためのグラフ自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2020-02-20T10:11:28Z)

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。