Agrupación de gráficos de contraste para la preservación de la estructura con alineación de etiquetas de doble canal

Área de la Ciencia:

• Redes neuronales de gráficos
• Aprendizaje automático
• Minería de datos

Sus antecedentes:

• El agrupamiento de gráficos contrastantes (CGC) ha avanzado rápidamente, pero los métodos actuales se enfrentan a desafíos con el aumento de datos que alteran la semántica y pasan por alto la información discriminativa sin supervisión.
• Los enfoques existentes a menudo descuidan las relaciones estructurales dinámicas al confiar en conexiones de vecindad estáticas, lo que afecta el rendimiento del clúster.

Objetivo del estudio:

• Proponer un enfoque de agrupación de gráficos contrastados que preserve la estructura con alineación de etiquetas de doble canal (SCGC-DLA).
• Abordar las limitaciones en la generación de vistas, emparejamiento de muestras y aprendizaje dinámico de relaciones estructurales en CGC.

Principales métodos:

• Utiliza filtros de gráficos de paso bajo e híbridos para vistas de aumento de datos fiables y complementarias.
• Construye una matriz de preservación de la estructura utilizando la centralidad entre bordes (EBC) para capturar relaciones topológicas.
• Utiliza la teoría de clasificación no dominada para la distribución de agrupación de doble canal para generar pseudoetiquetas de alta confianza alineadas con etiquetas semánticas latentes.
• Aplica un esquema de aprendizaje auto-supervisado para guiar la red general para el agrupamiento final.

Principales resultados:

• El método SCGC-DLA propuesto demuestra su solidez y eficacia en cinco conjuntos de datos de referencia.
• Alcanza un rendimiento de agrupación superior en comparación con varios métodos de última generación.
• Valida los beneficios de la preservación de la estructura y la alineación de etiquetas de doble canal en CGC.

Conclusiones:

• SCGC-DLA supera efectivamente los desafíos clave en el agrupamiento de gráficos de contraste.
• El nuevo enfoque del método para el aumento, la preservación de la estructura y la alineación de etiquetas conduce a mejores resultados de agrupación.
• Este trabajo ofrece un avance significativo en el campo de la agrupación de gráficos.