論文の概要: G-NAC: Graph Neural Automata Clustering via Emergent Domain Formation

• arxiv url: http://arxiv.org/abs/2609.24823v1
• Date: Mon, 21 Sep 2026 16:11:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 03:38:27.41064
• Title: G-NAC: Graph Neural Automata Clustering via Emergent Domain Formation
• Title（参考訳）: G-NAC:創発的ドメイン形成によるグラフニューラルオートマタクラスタリング
• Abstract要約: グラフニューラルオートマタクラスタリング(グラフニューラルオートマタクラスタリング、Graph Neural Automata Clustering、G-NAC)は、固定された近傍グラフ上のセルとして相互作用する、教師なしクラスタリング手法である。 G-NACは、57のベンチマークデータセットから73のクラスタリングタスクを達成し、平均調整されたRand index (ARI) は0.7951に達した。
• 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: We introduce Graph Neural Automata Clustering (G-NAC), an unsupervised clustering method in which observations interact as cells on a fixed neighborhood graph. A shared recurrent graph-neural cellular rule evolves latent domain states through local interactions, which are converted into a rank-based spectral affinity for partitioning. Across 73 clustering tasks from 57 benchmark datasets, G-NAC achieved a mean adjusted Rand index (ARI) of 0.7951, comparable to Genie at 0.7941 and higher than the other evaluated baselines. Empirical training time and GPU memory scaled approximately linearly from 5,000 to 100,000 nodes. Learned transition rules also transferred from smaller source graphs to independent 100,000-node samples generated under matched conditions. These results demonstrate a recurrent graph-clustering formulation while identifying dependencies on graph quality, readout design, and source-target similarity.
• Abstract（参考訳）: 固定された近傍グラフ上のセルとして観測を行う教師なしクラスタリング法であるグラフニューラルオートマタクラスタリング(G-NAC)を導入する。 共有されたグラフ-ニューロンの細胞規則は、局所的な相互作用を通じて潜在ドメイン状態が進化し、分配のためのランクベースのスペクトル親和性に変換される。 G-NACは、57のベンチマークデータセットから73のクラスタリングタスクを網羅し、平均調整されたRand index(ARI)を0.7951で達成した。 経験的トレーニング時間とGPUメモリは、5,000ノードから10000ノードにほぼ線形にスケールした。 学習された遷移規則は、より小さなソースグラフからマッチした条件下で生成された独立した10万個のノードサンプルに変換された。 これらの結果は、グラフ品質、読み出し設計、ソース・ターゲット類似性への依存を識別しながら、繰り返しグラフクラスタリングの定式化を示す。

関連論文リスト

• CoRe-GNN: Multilevel Message passing on Coarsened graphs [13.325673513204377]
  グラフニューラルネットワークを大きなグラフでトレーニングすることは、層間のノード表現のメモリコストに悩まされる。 既存の拡張性のあるアプローチを,GNN伝搬行列の構造化された修正として記述できることを示す。 特にグラフの粗化は、スペクトル保証を可能にするが、ノードに一様表現を割り当てるローランク近似によって置き換える。
  論文  参考訳（メタデータ） (2026-08-03T12:18:58Z)
• AdaGraph: A Graph-Native Clustering Algorithm That Overcomes the Curse of Dimensionality and Enables Scientific Discovery [0.0]
  本稿では,Structure-Centric Machine Learning(SC-ML)パラダイムから生まれたグラフネイティブクラスタリングアルゴリズムであるAdaGraphを紹介する。 AdaGraphは、完全にkNNグラフトポロジー内で動作する。 Graph-SCOPEは、独自のSC-MLコントリビューションとして導入されたトポロジベースのクラスタ妥当性インデックスである。
  論文  参考訳（メタデータ） (2026-05-05T01:42:59Z)
• A Variational Edge Partition Model for Supervised Graph Representation Learning [51.30365677476971]
  本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。 それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。 エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T14:37:50Z)
• Deep Graph-level Anomaly Detection by Glocal Knowledge Distillation [61.39364567221311]
  グラフレベルの異常検出(GAD)は、その構造やノードの特徴に異常なグラフを検出する問題を記述している。 GADの課題の1つは、局所的および大域的非正則グラフの検出を可能にするグラフ表現を考案することである。 本稿では,グラフとノード表現の連成ランダム蒸留により,グローバルおよびローカルな正規パターン情報を豊富に学習するGADのための新しい深部異常検出手法を提案する。
  論文  参考訳（メタデータ） (2021-12-19T05:04:53Z)
• Graph Representation Learning via Contrasting Cluster Assignments [57.87743170674533]
  GRCCAと呼ばれるクラスタ割り当てを対比して、教師なしグラフ表現モデルを提案する。 クラスタリングアルゴリズムとコントラスト学習を組み合わせることで、局所的およびグローバルな情報を合成的にうまく活用する動機付けがある。 GRCCAは、ほとんどのタスクにおいて強力な競争力を持っている。
  論文  参考訳（メタデータ） (2021-12-15T07:28:58Z)
• Graph Neural Networks with Feature and Structure Aware Random Walk [7.143879014059894]
  典型的な好適なグラフでは、エッジを指向する可能性があり、エッジをそのまま扱うか、あるいは単純に非指向にするかは、GNNモデルの性能に大きな影響を与える。 そこで我々は,グラフの方向性を適応的に学習するモデルを開発し,ノード間の長距離相関を生かした。
  論文  参考訳（メタデータ） (2021-11-19T08:54:21Z)
• 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)
• Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
  半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。 推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。 4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
  論文  参考訳（メタデータ） (2020-01-17T02:52:30Z)

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。