[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Scalable Attribute-Missing Graph Clustering via Neighborhood Differentiatio

Created by
  • Haebom

作者

Yaowen Hu, Wenxuan Tu, Yue Liu, Xinhang Wan, Junyi Yan, Taichun Zhou, Xinwang Liu

概要

本稿では、大規模で不足している実世界の属性グラフにおけるディープグラフクラスタリング(DGC)の問題を解決するための新しい方法であるCMV-ND(Complementary Multi-View Neighborhood Differentiation)を提案します。 CMV-NDは、グラフの構造情報を完全かつ重複しないように複数のビューに前処理します。これは、再帰的近隣探索を介して様々なホップ距離にわたってノード近傍を完全に拡張し、近隣差分戦略を通じて異なるホップ表現間の冗長ノードを除去することによって実現される。最終的には、$K$個の差分ホップ表現とターゲットノードの特徴から$K+1$個の相補的ビューを構成し、既存のマルチビュークラスタリングまたはDGC方法を適用します。 6つの広く使用されているグラフデータセットの実験結果は、CMV-NDがさまざまな方法のパフォーマンスを大幅に向上させることを示しています。

Takeaways、Limitations

Takeaways:
大規模および属性欠落の問題を持つ実世界グラフにおけるDGC性能の向上に寄与
再帰的近隣探索と近隣差分戦略による完全で重複しないマルチビュー生成の可能性の提示
さまざまな既存のDGC方法との互換性を介して柔軟性を確保します。
Limitations:
提案された方法の計算の複雑さの分析の欠如再帰的探索は、特に大規模グラフでは計算コストが高くなる可能性がある。
様々なタイプのグラフデータの一般化性能の追加検証が必要
最適なビュー数($ K $)決定に関する明確なガイドラインの欠如。
👍