論文の概要: Towards One-for-All Foundation Model for Attributed Graph Clustering
- arxiv url: http://arxiv.org/abs/2610.07778v1
- Date: Tue, 06 Oct 2026 05:13:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.823128
- Title: Towards One-for-All Foundation Model for Attributed Graph Clustering
- Title（参考訳）: 分散グラフクラスタリングのための一元的基礎モデルに向けて
- Abstract要約: 属性グラフクラスタリングの基礎モデルOFAGを提案する。
OFAGは、合成属性グラフから再利用可能なクラスタリング推論戦略を学ぶ。
OFAGは、NMI、ACC、ARI、F1データセット全体で最高の平均パフォーマンスと平均ランクを達成する。
- 参考スコア（独自算出の注目度）: 14.135776029457972
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Attributed graph clustering aims to discover node groups by jointly exploiting node attributes and graph topology, yet its unsupervised nature makes model selection and adaptation inherently difficult. Existing methods typically train and tune a separate model for each input graph, leading to costly and fragile pipelines that often fail to transfer across graphs with different feature spaces, structural patterns, and attribute-structure correlations. In this paper, we study a one-for-all alternative: can a single model be trained once and directly applied to diverse attributed graphs without graph-specific training, fine-tuning, or hyperparameter search? We propose OFAG, a foundation model for attributed graph clustering. Building upon Prior-data Fitted Networks, OFAG learns a reusable clustering inference strategy from synthetic attributed graphs generated under broad priors over latent clusters, node attributes, and graph structures. To handle incompatible feature spaces across graphs, OFAG adopts a dimension-agnostic signal-wise graph encoder that treats each feature channel as a graph signal and models its response to shared graph filters. The model is trained with a hyperspherical clustering objective, producing clustering-friendly node representations in a single forward pass at inference time. On ten datasets, one frozen OFAG model achieves the best mean performance and average rank across NMI, ACC, ARI, and F1, while completing all ten datasets in 12.43 minutes total---over 6* faster than the second-fastest baseline and nearly 28* faster than the second-best on clustering quality. Our code and pretrained checkpoint are available at https://github.com/Cloudy1225/OFAG, allowing practitioners to directly apply OFAG to their own attributed graph datasets without additional training or tuning.
- Abstract（参考訳）: 分散グラフクラスタリングは,ノード属性とグラフトポロジを併用することでノード群を発見することを目的としている。
既存のメソッドは通常、入力グラフごとに別々のモデルをトレーニングし、チューニングする。これにより、コストがかかる脆弱なパイプラインが、異なる特徴空間、構造パターン、属性-構造相関を持つグラフを渡すのに失敗することが多い。
本稿では,1つのモデルを一度にトレーニングして,グラフ固有のトレーニングや微調整,ハイパーパラメータ検索を使わずに,さまざまな属性グラフに直接適用することができるか,という一対一の選択肢について検討する。
属性グラフクラスタリングの基礎モデルOFAGを提案する。
Prior-data Fitted Networks上に構築されたOFAGは、潜在クラスタ、ノード属性、グラフ構造上の広範囲で生成される合成属性グラフから、再利用可能なクラスタリング推論戦略を学習する。
グラフ間の非互換な特徴空間を扱うためにOFAGでは,各特徴チャネルをグラフ信号として扱い,共有グラフフィルタに対する応答をモデル化する,次元に依存しない信号ワイドグラフエンコーダを採用している。
このモデルは超球面クラスタリングの目標を用いて訓練され、推論時に単一のフォワードパスでクラスタリングフレンドリーなノード表現を生成する。
10つのデータセットに対して、1つの凍結OFAGモデルは、NMI、ACC、ARI、F1をまたいだ最高の平均性能と平均ランクを達成すると同時に、合計12.43分で10のデータセットを完了します。
私たちのコードと事前トレーニングされたチェックポイントはhttps://github.com/Cloudy1225/OFAGで利用可能です。
関連論文リスト
- Message Passing Does More with Less for In-Context Learning on Graphs [31.05167488649796]
スパースメッセージパッシング上に構築された新しいグラフ・イン・コンテキスト学習ツールであるEphrisを紹介する。
51ノード分類データセットのEphrisを、15の広範囲に調整されたGNNと既存のグラフICL法に対して評価した。
推論コストは、以前のグラフICLモデルよりも10倍以上高速で、1つのGNNのトレーニングに匹敵する。
論文 参考訳（メタデータ） (2026-09-29T08:59:16Z) - Feature-Enhanced Graph Neural Networks for Classification of Synthetic Graph Generative Models: A Benchmarking Study [0.0]
本稿では,GNNとグラフ理論的特徴を組み合わせたハイブリッド手法を用いて,合成グラフファミリーの分類について検討する。
5つの代表的な家系のグラフからなる大規模かつ構造的に多様な合成データセットを生成する。
ノードレベルの特徴の包括範囲をグラフ毎に抽出し,ランダムフォレストに基づく特徴選択パイプラインを用いて解析する。
評価の結果,GraphSAGEとGTNは98.5%の精度で高いクラス分離を達成できた。
論文 参考訳（メタデータ） (2025-12-20T22:44:29Z) - Scalable Graph Generative Modeling via Substructure Sequences [50.32639806800683]
本稿では,グラフ生成用トランスフォーマー事前学習フレームワークである生成グラフパターンマシン(G$2$PM)を紹介する。
G$2$PMはグラフインスタンス(ノード、エッジ、グラフ全体)をサブ構造のシーケンスとして表現する。
それは、一般化可能かつ伝達可能な表現を学ぶために、シーケンスに関する生成的事前学習を採用する。
論文 参考訳（メタデータ） (2025-05-22T02:16:34Z) - 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) - Spectral Greedy Coresets for Graph Neural Networks [61.24300262316091]
ノード分類タスクにおける大規模グラフの利用は、グラフニューラルネットワーク(GNN)の現実的な応用を妨げる
本稿では,GNNのグラフコアセットについて検討し,スペクトル埋め込みに基づくエゴグラフの選択により相互依存の問題を回避する。
我々のスペクトルグレディグラフコアセット(SGGC)は、数百万のノードを持つグラフにスケールし、モデル事前学習の必要性を排除し、低ホモフィリーグラフに適用する。
論文 参考訳（メタデータ） (2024-05-27T17:52:12Z) - EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。
EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。
提案手法はいくつかの最先端手法より一貫して優れている。
論文 参考訳（メタデータ） (2022-11-19T09:08:43Z) - Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。
GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。
提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文 参考訳（メタデータ） (2022-03-03T09:53:53Z) - CAGNN: Cluster-Aware Graph Neural Networks for Unsupervised Graph
Representation Learning [19.432449825536423]
教師なしグラフ表現学習は、教師なしの低次元ノード埋め込みを学習することを目的としている。
本稿では、自己教師付き手法を用いた教師なしグラフ表現学習のための新しいクラスタ対応グラフニューラルネットワーク(CAGNN)モデルを提案する。
論文 参考訳（メタデータ） (2020-09-03T13:57:18Z) - Adaptive Graph Auto-Encoder for General Data Clustering [90.8576971748142]
グラフベースのクラスタリングは、クラスタリング領域において重要な役割を果たす。
グラフ畳み込みニューラルネットワークに関する最近の研究は、グラフ型データにおいて驚くべき成功を収めている。
本稿では,グラフの生成的視点に応じて適応的にグラフを構成する汎用データクラスタリングのためのグラフ自動エンコーダを提案する。
論文 参考訳（メタデータ） (2020-02-20T10:11:28Z) - Revisiting Graph based Collaborative Filtering: A Linear Residual Graph
Convolutional Network Approach [55.44107800525776]
グラフ畳み込みネットワーク(GCN)は、最先端のグラフベースの表現学習モデルである。
本稿では、GCNベースの協調フィルタリング(CF)ベースのレコメンダシステム(RS)について再検討する。
単純なグラフ畳み込みネットワークの理論と整合して,非線形性を取り除くことで推奨性能が向上することを示す。
本稿では,ユーザ・イテム相互作用モデリングを用いたCF用に特別に設計された残差ネットワーク構造を提案する。
論文 参考訳（メタデータ） (2020-01-28T04:41:25Z)
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。