構造欠損グラフレベルクラスタリングネットワーク

科学分野:

• グラフ表現学習
• 機械学習
• データマイニング

背景:

• 既存のグラフレベルクラスタリング方法は、完全なグラフ構造を想定しており、現実世界のデータで一般的な欠損関係を考慮していません。
• 欠損関係は構造情報の歪みを引き起こし、クラスタリングパフォーマンスを著しく低下させます。
• 欠損関係を持つグラフレベルクラスタリングの問題は、新しく、あまり探求されていません。

研究 の 目的:

• グラフレベルクラスタリングにおける欠損関係を処理するように設計された新しい方法、構造欠損グラフレベルクラスタリングネットワーク（SMGCN）を提案すること。
• 構造情報の歪みに対処することにより、グラフクラスタリングの精度と堅牢性を向上させること。
• 不完全なグラフデータに焦点を当てたグラフクラスタリング研究のための新しいベンチマークタスクを導入すること。

主な方法:

• 低ランク行列補完モジュール（LR-SEA）を使用した構造拡張により、欠損関係を再構築します。
• クラスタマッチングとアンカー識別のためのハンガリアンアルゴリズムを利用したアンカーポジショニングメカニズム。
• 特定されたアンカーとグラフ埋め込みを整列させるための共同対照最適化により、類似クラスターを収束させます。

主要な成果:

• 提案されたSMGCN法は、最先端の方法と比較して優れたパフォーマンスを示します。
• 5つのベンチマークデータセットでの実験により、欠損関係の処理におけるSMGCNの有効性が検証されました。
• この方法は、不完全なグラフデータによって引き起こされる構造情報の歪みを効果的に軽減します。

結論:

• SMGCNは、欠損関係を持つグラフレベルクラスタリングの課題を効果的に解決します。
• 提案されたアプローチは、構造情報を再構築および利用することによってグラフ表現学習を強化します。
• この研究は、不完全なデータセットでのグラフクラスタリング研究の新しい方向性を確立します。