論文の概要: RHEA: Reliability-Harmonized Reconstruction and Assignment for Robust Multimodal-Attributed Graph Clustering

• arxiv url: http://arxiv.org/abs/2608.00621v1
• Date: Sat, 01 Aug 2026 12:24:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.827866
• Title: RHEA: Reliability-Harmonized Reconstruction and Assignment for Robust Multimodal-Attributed Graph Clustering
• Title（参考訳）: RHEA:ロバストなマルチモーダル分散グラフクラスタリングのための信頼性調和型再構成とアサインメント
• Abstract要約: マルチモーダル分散グラフ(MAG)のための信頼性を考慮したフレームワークを提案する。 RHEAは、近隣のコンセンサスからノード固有のモダリティの信頼性を推定する。 実験によると、RHEAは最強のベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 8.07046263398337
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal-attributed graphs (MAGs), whose nodes carry heterogeneous attributes such as text and images over a relational structure, have become a fundamental substrate for label-free entity grouping tasks, including community discovery and product segmentation. Existing MAG clustering methods effectively integrate complementary modalities when attributes are clean and complete, but degrade substantially under noisy or missing attributes because they implicitly assume equal modality reliability across all nodes. In practice, modality reliability is inherently node-specific: images may be corrupted or absent, while textual descriptions are incomplete or noisy. We argue that, under attribute homophily, graph neighborhoods naturally provide supervision-free evidence for estimating node-specific modality reliability. Based on this insight, we propose RHEA, a reliability-aware framework for MAG clustering that estimates node-specific modality reliability from neighborhood consensus and propagates this signal throughout the clustering pipeline. RHEA reconstructs unreliable or missing modalities from graph neighborhoods, adaptively weights modalities during reliability-aware fusion, and performs topology-aware optimal transport clustering with reliability-aware transport assignment and neighbor-consensus assignment distillation. Furthermore, the confidence of reconstructed representations is incorporated into the clustering objective, allowing uncertain reconstructions to contribute proportionally during optimization. Experiments on four MAG benchmarks under five attribute conditions show that RHEA consistently outperforms the strongest baseline, with NMI gains increasing as attribute quality deteriorates.
• Abstract（参考訳）: ノードがテキストや画像などの不均一な属性をリレーショナル構造上に持つマルチモーダル属性グラフ(MAG)は,コミュニティ発見や製品セグメンテーションなど,ラベルのないエンティティグループ化タスクの基盤となっている。 既存のMAGクラスタリング手法は、属性がクリーンで完全である場合、補完的なモダリティを効果的に統合するが、全てのノードで同じモダリティの信頼性を暗黙的に仮定するため、ノイズや欠落属性の下で実質的に分解する。 実際には、モダリティの信頼性は本質的にノード固有のものであり、画像は破損または欠落し、テキスト記述は不完全またはノイズである。 我々は、属性ホモフィリーの下で、グラフ近傍は自然にノード固有のモダリティの信頼性を推定するための監督不要な証拠を与えると論じる。 この知見に基づいて、我々は、近辺のコンセンサスからノード固有のモダリティの信頼性を推定し、クラスタリングパイプライン全体を通してこのシグナルを伝搬する、MAGクラスタリングのための信頼性対応フレームワークであるRHEAを提案する。 RHEAは、グラフ近傍からの信頼できないモダリティや欠落したモダリティを再構築し、信頼性に配慮した融合中にモダリティを適応的に重み付け、信頼性に配慮したトランスポート割当と近隣のコンセンサス割当蒸留によるトポロジ対応の最適なトランスポートクラスタリングを行う。 さらに、再構成された表現の信頼性をクラスタリングの目的に組み込んで、不確実な再構成が最適化中に比例的に寄与できるようにする。 5つの属性条件下での4つのMAGベンチマーク実験により、RHEAは最大のベースラインを一貫して上回り、NMIは属性品質が劣化するにつれて上昇することが示された。

関連論文リスト

• Context-aware Modality-Topology Co-Alignment for Multimodal Attributed Graphs [8.922335341563363]
  MultimodalAttributed Graphs (MAG) は、テキストや画像などの異種属性とグラフトポロジーを結合することで、現実世界のエンティティをモデル化する。 既存のMAG法は、しばしば固定されたグラフコンテキストや均一に融合した表現に依存し、タスク非依存の伝播と過圧縮融合を引き起こす。 タスク適応型信頼性コンテキストとモード保存アライメントを学習する統合MAGであるCoMAGを提案する。
  論文  参考訳（メタデータ） (2026-06-12T06:53:46Z)
• AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
  AnchorMoEは、解釈可能な構成別分類フレームワークである。 ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。 実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-06-02T13:30:54Z)
• Dynamic Spectral Denoising with Global-Context Attention for Multi-Behavior Recommendation [58.33732779555114]
  重要なボトルネックは、2つの結合した不均一性によって引き起こされる表現レベルの失敗である、と我々は主張する。 マルチビヘイビアレコメンデーション(SpectraMB)のためのグローバルコンテキストを考慮した動的スペクトルデノベーションを提案する。 SpectraMBは、ほとんどの評価設定で最高の結果を達成し、ノイズのある相互作用下での堅牢性の向上を示す。
  論文  参考訳（メタデータ） (2026-06-01T15:58:13Z)
• Robust Multimodal Recommendation via Graph Retrieval-Enhanced Modality Completion [71.20734649881258]
  実世界のマルチモーダルデータセットは、センサーの故障、アノテーションの不足、プライバシーの制約によって、しばしばモダリティの不完全性に悩まされる。 効果的な解決策の1つはモダリティ補完であり、下流タスクのためのモダリティ完全グラフを提供するために欠落した特徴を再構成する。 本稿では,これらの制限を克服するグラフ検索拡張モード補完フレームワークであるGRE-MCを提案する。
  論文  参考訳（メタデータ） (2026-05-01T13:50:52Z)
• Weight-Informed Self-Explaining Clustering for Mixed-Type Tabular Data [63.62853416081748]
  WISEは表現、特徴重み付け、クラスタリング、解釈を統一するフレームワークである。 クラスタリングを駆動する同じプリミティブに根ざした、忠実で人間解釈可能な説明を生成する。
  論文  参考訳（メタデータ） (2026-04-07T13:18:31Z)
• FGC-Comp: Adaptive Neighbor-Grouped Attribute Completion for Graph-based Anomaly Detection [0.0]
  FGC-Compは軽量で分類器に依存しない、デプロイに優しい属性補完モジュールである。 各ノードの隣接ノードを3つのラベルベースグループに分割し、ラベル付きグループにグループ固有の変換を適用し、バイナリ分類目的でエンドツーエンドを訓練する。 2つの実世界の不正データセットの実験は、無視可能な計算オーバーヘッドによるアプローチの有効性を検証する。
  論文  参考訳（メタデータ） (2025-12-02T12:34:21Z)
• Model-Agnostic Fairness Regularization for GNNs with Incomplete Sensitive Information [11.900835813533135]
  グラフニューラルネットワーク(GNN)は、ノード分類やリンク予測を含む関係学習タスクにおいて、例外的な効果を示した。 GNNは、人種や性別などのセンシティブな属性によって定義された保護されたグループに対して、社会的バイアスを永続し、増幅することができる。 感性属性が部分的にしか利用できない現実的なシナリオのために設計された,新しいモデルに依存しないフェアネス正規化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-27T15:36:16Z)
• UniMRSeg: Unified Modality-Relax Segmentation via Hierarchical Self-Supervised Compensation [104.59740403500132]
  マルチモーダルイメージセグメンテーションは、不完全/破損したモダリティの劣化による実際のデプロイメント課題に直面している。 階層型自己教師型補償(HSSC)による統一Modality-relaxセグメンテーションネットワーク(UniMRSeg)を提案する。 我々のアプローチは、入力レベル、特徴レベル、出力レベルをまたいだ完全なモダリティと不完全なモダリティの間の表現ギャップを階層的に橋渡しします。
  論文  参考訳（メタデータ） (2025-09-19T17:29:25Z)
• A Noise-Resilient Semi-Supervised Graph Autoencoder for Overlapping Semantic Community Detection [0.0]
  重なり合う構造を持つネットワークにおけるコミュニティ検出は依然として重要な課題である。 重なり合うコミュニティを頑健に検出するために,グラフの多面的注意とモジュール性を組み合わせた半教師付きグラフオートエンコーダを提案する。 主なイノベーションは、耐雑音性アーキテクチャと、コミュニティの品質に最適化されたセマンティックな半教師付き設計である。
  論文  参考訳（メタデータ） (2025-05-09T11:34:07Z)
• Theoretical Insights in Model Inversion Robustness and Conditional Entropy Maximization for Collaborative Inference Systems [89.35169042718739]
  協調推論により、クラウドサーバに機密データを公開することなく、エンドユーザは強力なディープラーニングモデルを活用することができる。 近年の研究では、これらの中間機能は、情報が漏洩し、生データをモデル反転攻撃(MIA)によって再構築できるため、プライバシーを十分に保持できないことが判明している。 この研究はまず、与えられた中間特徴の入力の条件エントロピーが、任意のMIAの下での再構成平均二乗誤差(MSE)の保証された下界を与えることを理論的に証明する。 そして、ガウス混合推定に基づいて、この条件付きエントロピーを有界化するための微分可能かつ可解な尺度を導出し、逆ロバスト性を高める条件付きエントロピーアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-03-01T07:15:21Z)

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。