論文の概要: Inductive Correlation Clustering with Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2608.27153v1
• Date: Thu, 27 Aug 2026 14:05:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.438846
• Title: Inductive Correlation Clustering with Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークによる帰納的相関クラスタリング
• Authors: Francesco Paolo Nerini, Francesco Bonchi, Arijit Khan, André Panisson,
• Abstract要約: 相関クラスタリング (CC) は、入力のグラフ表現を用いた最適化の定式化であり、予め指定された数のクラスタを必要としない。 既存のCCアルゴリズムはスケーラビリティの問題に悩まされており、本質的にトランスダクティブである。 インダクティブ相関クラスタリングを解決するためにグラフニューラルネットワーク(GNN)を活用することで、このギャップを埋める。
• 参考スコア（独自算出の注目度）: 10.700853727952792
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Correlation Clustering (CC) is a natural formulation of clustering in combinatorial optimization, which uses a graph representation of the input and does not require a pre-specified number of clusters. Given $n$ objects and a pairwise similarity function, the goal is to cluster the objects so that similar objects are put in the same cluster and dissimilar objects are put in different clusters. Despite its versatility, existing CC algorithms suffer from significant scalability issues and are inherently transductive: i.e., the algorithm must be executed from scratch for any new problem instance. In this work, we bridge this gap by leveraging Graph Neural Networks (GNNs) to solve Inductive Correlation Clustering, a novel generalization of the CC problem designed to handle unseen graph instances. By learning to exploit common structural patterns and node features during training, our framework generalizes to new graphs drawn from the same distribution with minimal computational overhead with respect to standard algorithms. We demonstrate the effectiveness and scalability of our approach through extensive experiments. Our framework not only excels in the inductive setting, e.g., lowering the inference time up to $5$ order of magnitude, while maintaining an approximation ratio within $~10\%$ of the best baseline solution, but also achieves competitive results on standard (transductive) CC benchmarks. Finally, we showcase a practical application of our framework as a learnable pooling mechanism for graph classification. Our results indicate that our method serves as an efficient pooling layer, enhancing the ability of GNNs to capture hierarchical structural information in networks.
• Abstract（参考訳）: 相関クラスタリング(CC)は、組合せ最適化におけるクラスタリングの自然な定式化であり、入力のグラフ表現を使用し、予め指定された数のクラスタを必要としない。 n$オブジェクトとペアの類似関数が与えられた場合、目的はオブジェクトをクラスタ化し、類似したオブジェクトを同じクラスタに配置し、異なるオブジェクトを異なるクラスタに配置することである。 その汎用性にもかかわらず、既存のCCアルゴリズムはスケーラビリティの問題に悩まされており、本質的にトランスダクティブである。 本研究では、グラフニューラルネットワーク(GNN)を活用してこのギャップを埋め、未確認グラフインスタンスを扱うために設計されたCC問題の新たな一般化であるインダクティブ相関クラスタリングを解決する。 トレーニング中に一般的な構造パターンやノードの特徴を活用することを学ぶことで、我々のフレームワークは、標準的なアルゴリズムに関して最小限の計算オーバーヘッドで同じ分布から引き出された新しいグラフに一般化する。 広範囲な実験を通じて,本手法の有効性と拡張性を実証する。 我々のフレームワークは、インダクティブ・セッティング、例えば、推論時間を5ドル程度まで下げるだけでなく、最高のベースライン・ソリューションの$~10\%以内の近似比を維持しながら、標準(トランスダクティブ)CCベンチマークの競争結果も達成する。 最後に、グラフ分類のための学習可能なプール機構として、我々のフレームワークの実践的な応用を紹介した。 提案手法は,ネットワーク内の階層構造情報を捕捉するGNNの能力を高めるため,効率的なプール層として機能することが示唆された。

関連論文リスト

• Deep Cut-informed Graph Embedding and Clustering [36.17182061654739]
  我々は,革新的で非GNNベースのDeep Cut-informed Graph Embedding and Clusteringフレームワーク,すなわちDCGCを提案する。 符号化モジュールに対しては,その結合正規化カットを最小化することにより,グラフ構造と属性を融合させる,カットインフォームドグラフ埋め込みの目的を導出する。 クラスタリングモジュールでは,クラスタリングの割り当てを得るために最適な輸送理論を利用する。
  論文  参考訳（メタデータ） (2025-03-09T14:24:09Z)
• Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
  グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。 モデルはGCNを適用するために初期グラフを事前に推定する。 一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
  論文  参考訳（メタデータ） (2024-02-25T07:03:37Z)
• CueGCL: Cluster-aware Personalized Self-Training for Unsupervised Graph Contrastive Learning [49.88192702588169]
  本稿ではクラスタリング結果とノード表現を協調的に学習するクラスタ対応グラフコントラスト学習フレームワーク(CueGCL)を提案する。 具体的には、教師なしシナリオのためのパーソナライズされた自己学習(PeST)戦略を設計し、クラスタレベルのパーソナライズされた正確な情報をモデルが取得できるようにする。 本稿では,モデルの有効性を理論的に実証し,クラスタ構造が著しく識別可能な埋め込み空間が得られることを示した。
  論文  参考訳（メタデータ） (2023-11-18T13:45:21Z)
• 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)
• DeepCut: Unsupervised Segmentation using Graph Neural Networks Clustering [6.447863458841379]
  本研究では,従来のクラスタリング手法を置き換える軽量グラフニューラルネットワーク(GNN)を提案する。 既存の手法とは異なり、GNNはローカル画像特徴と生特徴とのペアワイズ親和性の両方を入力として取ります。 画像セグメンテーションGNNを訓練するための自己教師付き損失関数として,古典的クラスタリングの目的を定式化する方法を実証する。
  論文  参考訳（メタデータ） (2022-12-12T12:31:46Z)
• ClusterGNN: Cluster-based Coarse-to-Fine Graph Neural Network for Efficient Feature Matching [15.620335576962475]
  ClusterGNNは、特徴マッチングタスクを学習するためのクラスタで動作する、注目のGNNアーキテクチャである。 提案手法では,59.7%のランタイム削減,58.4%のメモリ消費削減を実現している。
  論文  参考訳（メタデータ） (2022-04-25T14:43:15Z)
• Self-supervised Contrastive Attributed Graph Clustering [110.52694943592974]
  我々は,自己教師型コントラストグラフクラスタリング(SCAGC)という,新たな属性グラフクラスタリングネットワークを提案する。 SCAGCでは,不正確なクラスタリングラベルを活用することで,ノード表現学習のための自己教師付きコントラスト損失を設計する。 OOSノードでは、SCAGCはクラスタリングラベルを直接計算できる。
  論文  参考訳（メタデータ） (2021-10-15T03:25:28Z)
• Learning Hierarchical Graph Neural Networks for Image Clustering [81.5841862489509]
  本稿では,画像の集合を未知の個数にクラスタリングする方法を学ぶ階層型グラフニューラルネットワーク(GNN)モデルを提案する。 我々の階層的なGNNは、階層の各レベルで予測される連結コンポーネントをマージして、次のレベルで新しいグラフを形成するために、新しいアプローチを用いています。
  論文  参考訳（メタデータ） (2021-07-03T01:28:42Z)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)

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。