論文の概要: Robust Graph Clustering Network for Multiple Missing Data

• arxiv url: http://arxiv.org/abs/2609.31033v1
• Date: Fri, 25 Sep 2026 09:26:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.325144
• Title: Robust Graph Clustering Network for Multiple Missing Data
• Title（参考訳）: 複数の欠測データのためのロバストグラフクラスタリングネットワーク
• Abstract要約: RGCN(Multiple Missing Data)のためのロバストグラフクラスタリングネットワークを提案する。 RGCNはノード属性とグラフ構造の不完全性を同時に扱うように設計されている。 RGCNは、様々な欠落パターンの下で、最先端のベースラインを一貫して上回る。
• 参考スコア（独自算出の注目度）: 20.31105996267036
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clustering on graphs where both node attributes and structural links are partially missing remains a challenging task. Existing methods typically rely on imputation-then-clustering on single-view missingness incomplete graphs, which are vulnerable to cross-view error propagation and cluster-boundary blurring under simultaneous attribute and structure missingness. To address these limitations, we propose a Robust Graph Clustering Network for Multiple Missing Data (RGCN), which is designed to handle simultaneous node attribute and graph structure incompleteness. RGCN introduces three key innovations: First, we design a view-decoupled dual-branch imputation to mitigate interference and enable mutual enhancement in recovering missing data. Second, we employ a multi-hyperspherical mixture prior to enhance intra-cluster compactness and inter-cluster separability on a directional latent manifold. Third, a boundary-aware contrastive enhancement objective mitigates the blurring of clusters caused by imputation bias. Extensive experiments on real-world datasets demonstrate that RGCN consistently outperforms state-of-the-art baselines under various missing patterns.
• Abstract（参考訳）: ノード属性と構造的リンクの両方が部分的に欠落しているグラフ上のクラスタリングは、依然として困難な作業である。 既存の手法は通常、単一ビューの不完全性(英語版)にインプット・ザ・クラスタリングを頼りにしており、これはクロスビューエラー伝播やクラスタ境界の同時属性と構造的欠如に弱い。 これらの制約に対処するために,ノード属性とグラフ構造の不完全性を同時に扱うように設計されたRGCN(Robust Graph Clustering Network for Multiple Missing Data)を提案する。 RGCNは3つの重要なイノベーションを導入している。 まず、ビュー分離型デュアルブランチ・インパクションを設計し、干渉を緩和し、欠落したデータの回復において相互強化を可能にする。 第2に, 指向性潜在多様体上でのクラスタ内コンパクト性とクラスタ間分離性を高めるために, 多球面混合を用いる。 第三に、境界対応のコントラスト強化目的は、計算バイアスによるクラスタのぼやけを緩和する。 実世界のデータセットに対する大規模な実験により、RCCNはさまざまな欠落パターンの下で、最先端のベースラインを一貫して上回っていることが示された。

関連論文リスト

• Robust Contrastive Graph Clustering with Adaptive Local-Global Integration [10.185975874676995]
  マルチスケールな局所構造とグローバルなセマンティクスを協調的に統合するグラフクラスタリングフレームワークを提案する。 8つの実世界のグラフデータセットに対する実験により,本手法が競合クラスタリング性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-05-27T09:29:17Z)
• Hierarchical Identity Learning for Unsupervised Visible-Infrared Person Re-Identification [81.3063589622217]
  教師なし可視赤外線人物再識別(USVI-ReID)は、ラベルのないクロスモーダルな人物データセットからモダリティ不変の画像特徴を学習することを目的としている。
  論文  参考訳（メタデータ） (2025-09-15T05:10:43Z)
• Clustering-Oriented Generative Attribute Graph Imputation [46.388653923121566]
  本稿では,属性欠落グラフクラスタリングのためのクラスタリング指向生成インプット(CGIR)モデルを提案する。 CGIRは,属性欠落グラフのクラスタリングをサブクラスタの検索とマージェンスに分割し,統一されたフレームワーク内でノードの計算と改善を実現する。
  論文  参考訳（メタデータ） (2025-07-25T09:11:38Z)
• Divide-Then-Rule: A Cluster-Driven Hierarchical Interpolator for Attribute-Missing Graphs [51.13363550716544]
  ディープグラフクラスタリングは、不完全な属性を持つノードを異なるクラスタに分割することを目的とした教師なしのタスクである。 既存の属性欠落グラフの計算法は、ノード近傍で利用可能な情報の量が異なることを説明できないことが多い。 この問題に対処するために、DTRGC(Divide-Then-Rule Graph Completion)を提案する。
  論文  参考訳（メタデータ） (2025-07-12T03:33:19Z)
• 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)
• 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)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Improved Dual Correlation Reduction Network [40.792587861237166]
  改良二重相関低減ネットワーク(IDCRN)と呼ばれる新しいディープグラフクラスタリングアルゴリズムを提案する。 クロスビュー特徴相関行列をアイデンティティ行列に近似することにより、特徴の異なる次元間の冗長性を低減できる。 また,グラフ畳み込みネットワーク(GCN)における過度にスムースな問題による表現の崩壊を,伝播正規化項によって回避する。
  論文  参考訳（メタデータ） (2022-02-25T07:48:32Z)
• Deep Graph Clustering via Dual Correlation Reduction [37.973072977988494]
  本稿では,Dual correlation Reduction Network (DCRN) と呼ばれる自己教師型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,まず,サンプルを符号化するシアムネットワークを設計する。次に,クロスビューサンプル相関行列とクロスビュー特徴相関行列をそれぞれ2つのアイデンティティ行列に近似させることで,二重レベルの情報相関を小さくする。 本稿では,GCNの過度なスムース化による表現の崩壊を軽減するために,ネットワークが長距離情報を得るための伝搬正則化項を導入する。
  論文  参考訳（メタデータ） (2021-12-29T04:05:38Z)
• 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)

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。