論文の概要: GRAND-HC: Graph-Refined Author Name Disambiguation

• arxiv url: http://arxiv.org/abs/2609.01636v1
• Date: Mon, 24 Aug 2026 08:21:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:17.562926
• Title: GRAND-HC: Graph-Refined Author Name Disambiguation
• Title（参考訳）: GRAND-HC: グラフ修正された作者名の曖昧さ
• Abstract要約: From-Scratch Name Disambiguation (SND) は、曖昧な名前を共有する論文を、異なる現実世界の著者のクラスタにまとめる。 完全なエンドツーエンドSNDフレームワークである textbfGRAND-HC を提案する。
• 参考スコア（独自算出の注目度）: 58.02589236670033
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: From-Scratch Name Disambiguation (SND) groups papers sharing an ambiguous name into clusters of distinct real-world authors. Existing methods suffer from two critical limitations: (1) inherent long-tailed author distribution biases representation learning, causing over-merging of tail authors; (2) existing cluster number estimation methods are unreliable for long paper sequences, hindering large-scale deployment. We propose \textbf{GRAND-HC}, a complete end-to-end SND framework. We construct a heterogeneous paper graph via co-author, co-organization, and co-venue relations, using a graph attention network as the embedding backbone. \textbf{Harmony Contrastive Learning (HCL)} dynamically reweights training loss to suppress overfitting to prolific authors, learning discriminative embeddings. A \textbf{Graph-Refined Distance Matrix (GRDM)} leverages graph topology to optimize pairwise distances, further preventing tail author over-merging. Meanwhile, a lightweight \textbf{Paper Compression Module (PCM)} achieves accurate cluster number estimation across varying scales. Finally, Hierarchical Agglomerative Clustering outputs the final clusters. Extensive experiments demonstrate state-of-the-art macro F1 performance. GRAND-HC has been deployed in a billion-scale academic database. Source code: https://github.com/baokou-fw2/GRAND-HC.
• Abstract（参考訳）: From-Scratch Name Disambiguation (SND) は、曖昧な名前を共有する論文を、異なる現実世界の著者のクラスタにまとめる。 既存の手法は,(1) 固有長尾著者分布バイアスによる表現学習,(2) 既存のクラスタ数推定手法は長い紙のシーケンスには信頼性が低く,大規模展開を妨げている。 本稿では,完全なエンドツーエンドSNDフレームワークである‘textbf{GRAND-HC} を提案する。 我々は,グラフアテンションネットワークを埋め込みバックボーンとして用い,共著者・共組織・共同事業関係による異種論文グラフを構築した。 \textbf{Harmony Contrastive Learning (HCL) は、多彩な著者への過度な適合を抑制し、差別的な埋め込みを学ぶために、トレーニング損失を動的に軽減する。 \textbf{Graph-Refined Distance Matrix (GRDM) はグラフトポロジを利用してペア距離を最適化する。 一方、軽量な \textbf{Paper Compression Module (PCM) は、様々なスケールで正確なクラスタ数を推定する。 最後に階層的な集約クラスタリングが最終クラスタを出力します。 大規模な実験は最先端のマクロF1の性能を示す。 GRAND-HCは10億の学術データベースにデプロイされている。 ソースコード:https://github.com/baokou-fw2/GRAND-HC。

関連論文リスト

• Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
  大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。 Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。 本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-22T05:15:27Z)
• IsoSEL: Isometric Structural Entropy Learning for Deep Graph Clustering in Hyperbolic Space [57.036143666293334]
  グラフクラスタリングは、機械学習における長年のトピックである。 本稿では,K を含まない深層グラフクラスタリングという,現実の非均衡を考慮した問題について検討する。 深層グラフクラスタリングのための新しいIsoSELフレームワークを提案する。このフレームワークでは、双曲空間のローレンツモデルにおける分割木を学習するための双曲型ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2025-04-14T08:21:41Z)
• 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)
• Provably Extending PageRank-based Local Clustering Algorithm to Weighted Directed Graphs with Self-Loops and to Hypergraphs [40.215737469808026]
  この研究はグラフ局所クラスタリングに重点を置いており、様々なモダリティの内部接続性のため、グラフ以外の幅広い応用がある。 非近似型Andersen-Chung-Lang(ACL)アルゴリズムを離散グラフを超えて拡張し、その二次最適性をより広い範囲のグラフに一般化する。 理論的には、2つの穏やかな条件下では、両方のアルゴリズムが少なくとも1/2確率のコンダクタンスの観点から2次最適局所クラスターを識別できることが証明される。
  論文  参考訳（メタデータ） (2024-12-04T03:56:14Z)
• 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)
• 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)
• 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)
• Dual Contrastive Attributed Graph Clustering Network [6.796682703663566]
  我々はDCAGC(Dual Contrastive Attributed Graph Clustering Network)と呼ばれる汎用フレームワークを提案する。 DCAGCでは、近隣のコントラストモジュールを利用することで、近隣ノードの類似性を最大化し、ノード表現の品質を向上させる。 DCAGCのすべてのモジュールは、統一されたフレームワークでトレーニングされ、最適化されているため、学習されたノード表現にはクラスタリング指向のメッセージが含まれている。
  論文  参考訳（メタデータ） (2022-06-16T03:17:01Z)
• Meta Clustering Learning for Large-scale Unsupervised Person Re-identification [124.54749810371986]
  メタクラスタリング学習(MCL)と呼ばれる「大規模タスクのための小さなデータ」パラダイムを提案する。 MCLは、第1フェーズのトレーニングのためにコンピューティングを節約するためにクラスタリングを介して、未ラベルデータのサブセットを擬似ラベル付けするのみである。 提案手法は計算コストを大幅に削減すると同時に,従来よりも優れた性能を実現している。
  論文  参考訳（メタデータ） (2021-11-19T04:10:18Z)
• Robust Correlation Clustering with Asymmetric Noise [3.8073142980733]
  相関クラスタリング(英語版)はグラフクラスタリングの定式化であり、(1) ノード間の類似性/異性度を示すエッジウェイトを持つ符号付きグラフを入力とし、(2) 入力グラフ内のクラスタ数を事前に見積もる必要がない。 グラフノードの特徴ベクトル/埋め込みの生成に基づく新しいグラフ生成モデルNode Factors Model (NFM)を提案する。
  論文  参考訳（メタデータ） (2021-10-15T21:47:27Z)
• Git: Clustering Based on Graph of Intensity Topology [25.679620842010422]
  我々は、新しいクラスタリングアルゴリズムGIT(textbfIntensity textbfTopologyのtextbfGraphに基づくクラスタリング)を提案する。 高速な局所クラスタ検出、堅牢なトポグラフの構築、エッジカットにより、GITは魅力的なARISE性能を示す。
  論文  参考訳（メタデータ） (2021-10-04T09:29:43Z)

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。