본 논문은 속성이 누락된 그래프에 대한 심층 그래프 클러스터링(DGC) 문제를 해결하기 위해 새로운 방법인 Divide-Then-Rule Graph Completion (DTRGC)을 제안합니다. 기존의 속성 누락 그래프에 대한 imputation 방법들은 노드 이웃 간의 정보량 차이를 고려하지 못하는 한계가 있었는데, DTRGC는 이를 해결하기 위해 Dynamic Cluster-Aware Feature Propagation (DCFP), Hierarchical Neighborhood-aware Imputation (HNAI), Hop-wise Representation Enhancement (HRE) 세 가지 모듈을 활용합니다. 먼저 DCFP는 클러스터 구조를 기반으로 전파 가중치를 조정하여 누락된 노드 속성을 초기화하고, HNAI는 이웃 속성의 완전성에 따라 노드를 세 그룹으로 분류하여 계층적으로 imputation을 수행합니다. 마지막으로 HRE는 여러 hop에 걸쳐 정보를 통합하여 노드 표현의 표현력을 높입니다. 실험 결과, DTRGC는 속성이 누락된 그래프에서 다양한 DGC 방법의 클러스터링 성능을 크게 향상시키는 것을 보여줍니다.
