본 논문에서는 대규모이고 속성이 누락된 실세계 속성 그래프에서의 심층 그래프 클러스터링(DGC) 문제를 해결하기 위해 새로운 방법인 CMV-ND(Complementary Multi-View Neighborhood Differentiation)를 제안합니다. CMV-ND는 그래프의 구조적 정보를 완전하면서도 중복되지 않도록 여러 뷰로 전처리합니다. 이는 재귀적 이웃 탐색을 통해 다양한 홉 거리에 걸쳐 노드 이웃을 완전히 확장하고, 이웃 차등 전략을 통해 서로 다른 홉 표현 간의 중복 노드를 제거함으로써 구현됩니다. 최종적으로는 $K$개의 차등 홉 표현과 타겟 노드의 특징으로부터 $K+1$개의 상보적 뷰를 구성하고, 기존의 다중 뷰 클러스터링 또는 DGC 방법을 적용합니다. 여섯 개의 널리 사용되는 그래프 데이터셋에 대한 실험 결과, CMV-ND가 다양한 방법들의 성능을 크게 향상시킨다는 것을 보여줍니다.
시사점, 한계점
•
시사점:
◦
대규모 및 속성 누락 문제를 가진 실세계 그래프에서의 DGC 성능 향상에 기여.
◦
재귀적 이웃 탐색 및 이웃 차등 전략을 통해 완전하고 중복되지 않는 다중 뷰 생성 가능성 제시.
◦
다양한 기존 DGC 방법들과의 호환성을 통해 유연성 확보.
•
한계점:
◦
제안된 방법의 계산 복잡도에 대한 분석 부족. 재귀적 탐색은 특히 대규모 그래프에서 계산 비용이 높을 수 있음.
