論文の概要: Selective Hypergraph Refinement for Frozen Graph Clustering

• arxiv url: http://arxiv.org/abs/2609.03265v1
• Date: Thu, 03 Sep 2026 01:47:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:38.890577
• Title: Selective Hypergraph Refinement for Frozen Graph Clustering
• Title（参考訳）: 凍結グラフクラスタリングのための選択的ハイパーグラフ再構成
• Authors: Zimo Si,
• Abstract要約: 凍結グラフクラスタリングにおける後処理について検討する。 ラベルは使用せず、モデルパラメータやノード表現、オリジナルのグラフ構造も更新されない。 その結果、凍結クラスタリングの出力は訓練後に限られたが測定可能な改善空間を保っていることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing graph-clustering methods typically improve clustering performance by optimizing model parameters and node representations. Effective means of further improving the clustering results of an already trained and frozen model, however, remain limited. We study post-processing for frozen graph clustering. After checkpoint fixation, the procedure uses no labels and updates neither model parameters, node representations, nor the original graph structure. Instead, it exploits an attribute hypergraph to supplement higher-order relations that ordinary graphs cannot readily express, thereby refining existing cluster assignments. Because global hypergraph refinement can yield both performance gains and erroneous updates, we propose Selective Hypergraph Refinement (SHR). The method generates candidate residual directions from the hypergraph and evaluates their reliability using graph structure, node attributes, and matched-null evidence. It updates only nodes with sufficient support and otherwise retains their original assignments. Further analysis shows that whether a node changes cluster is jointly governed by its native assignment gap and the directional strength of the refinement. In a controlled common-suite evaluation, 13 of 15 backbone-dataset cells had a positive mean macro gain, one produced exact no-action, and one was negative. The cell-equal macro gain was 0.066 pp (95% bootstrap CI, [0.030, 0.107] pp), while only 0.209% of hard assignments changed on average. A broader 15-combination native-interface evaluation yielded a macro gain of 0.137 pp at a mean change ratio of 0.375%. These results indicate that frozen clustering outputs retain a limited but measurable refinement space after training. The effect is heterogeneous across backbone-dataset pairs, and broader coverage also increases exposure to negative transfer.
• Abstract（参考訳）: 既存のグラフクラスタリング手法は、モデルパラメータとノード表現を最適化することでクラスタリング性能を改善するのが一般的である。 しかし、既に訓練され凍結されたモデルのクラスタリング結果をさらに改善する効果的な手段は、依然として限られている。 凍結グラフクラスタリングにおける後処理について検討する。 チェックポイント固定後、プロシージャはラベルを使用しず、モデルパラメータやノード表現、オリジナルのグラフ構造も更新しない。 代わりに属性ハイパーグラフを利用して、通常のグラフが容易に表現できない高次関係を補うことで、既存のクラスタ割り当てを精査する。 グローバルハイパーグラフリファインメントは性能向上と誤更新の両方をもたらすため,SHR(Selective Hypergraph Refinement)を提案する。 本手法はハイパーグラフから候補残留方向を生成し,その信頼性をグラフ構造,ノード属性,一致したヌルエビデンスを用いて評価する。 十分なサポートを持ったノードのみを更新し、それ以外は元の割り当てを保持する。 さらに分析したところ、ノードがクラスタを変更することは、そのネイティブな割り当てギャップとリファインメントの方向性の強さによって共同で管理されているかが分かる。 コントロールされたコモンスーツ評価では,15細胞のうち13細胞は正のマクロゲインを示し,1細胞は正の非作用を示し,1細胞は負の反応を示した。 セル平等マクロゲインは0.066 pp (95%ブートストラップCI, [0.030, 0.107] pp) で、ハードアサインの0.209%が平均で変化した。 15-組合せネイティブインタフェース評価では, 平均変分率0.375%で0.137ppのマクロゲインを得た。 これらの結果から, 凍結クラスタリング出力は, 訓練後の限界ではあるが測定可能な改善空間を保っていることが示唆された。 この効果は、バックボーンとデータセットのペア間で不均一であり、より広範なカバレッジは、負の転送への露出を増加させる。

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)
• Generation is better than Modification: Combating High Class Homophily Variance in Graph Anomaly Detection [51.11833609431406]
  異なるクラス間のホモフィリー分布の差は、ホモフィリックグラフやヘテロフィリックグラフよりも著しく大きい。 我々は、この現象を定量的に記述した、クラスホモフィリーバリアンスと呼ばれる新しい計量を導入する。 その影響を軽減するために,ホモフィリーエッジ生成グラフニューラルネットワーク(HedGe)と呼ばれる新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2024-03-15T14:26:53Z)
• 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)
• Node Copying: A Random Graph Model for Effective Graph Sampling [35.957719744856696]
  本稿では,グラフ上の分布を構成するノードコピーモデルを提案する。 コピーモデルの有用性を3つのタスクで示す。 提案モデルを用いて,グラフトポロジに対する敵攻撃の効果を緩和する。
  論文  参考訳（メタデータ） (2022-08-04T04:04:49Z)
• Simple Truncated SVD based Model for Node Classification on Heterophilic Graphs [0.5309004257911242]
  グラフニューラルネットワーク(GNN)は、強いホモフィリーを示すグラフに対して優れた性能を示す。 近年のアプローチでは、この制限に対処するため、アダプティブグラフフィルタなどのアグリゲーションスキームの変更が一般的である。 本稿では, トポロジ構造とノード特徴のトランク付き特異値分解(TSVD)を利用した簡易な代替手法を提案する。
  論文  参考訳（メタデータ） (2021-06-24T07:48:18Z)
• Prototypical Graph Contrastive Learning [141.30842113683775]
  本稿では,有意なサンプリングバイアスを緩和するために,プロトタイプグラフコントラスト学習(PGCL)手法を提案する。 具体的には、PGCLは、グラフデータの基盤となる意味構造を、意味論的に類似したグラフを同じグループにクラスタリングすることでモデル化し、同時に、同じグラフの異なる拡張に対するクラスタリング一貫性を奨励する。 クエリのために、PGCLはさらに、プロトタイプ(クラスタセントロイド)とクエリプロトタイプの間の距離に基づいて、負のサンプルを再重み付けする。
  論文  参考訳（メタデータ） (2021-06-17T16:45:31Z)

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。