CGC:コミュニティ検出と追跡のためのコントラストグラフクラスタリング【JST・京大機械翻訳】

Park Namyong; Rossi Ryan; Koh Eunyee; Burhanuddin Iftikhar Ahamath; Kim Sungchul; Du Fan; Ahmed Nesreen; Faloutsos Christos

プレプリント

J-GLOBAL ID：202202211442667956 整理番号：22P0333792

CGC:コミュニティ検出と追跡のためのコントラストグラフクラスタリング【JST・京大機械翻訳】

CGC: Contrastive Graph Clustering for Community Detection and Tracking

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (8件)： , , , , , , ,
資料名：
発行年： 2022年04月05日プレプリントサーバーでの情報更新日： 2023年03月27日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

異なる時間で起こるかもしれないWebデータにおける実体とそれらの相互作用を考えると,どのようにエンティティのコミュニティを見出し,それらの進化を追跡することができるか。本論文では,グラフクラスタリングの観点からこの重要なタスクをアプローチする。最近,様々な領域における最先端のクラスタリング性能が,深いクラスタリング法によって達成された。特に,深層グラフクラスタリング(DGC)法は,ノード表現と共同最適化フレームワークにおけるクラスタ割当ての学習により,グラフ構造化データへの深層クラスタリングを成功裏に拡張する。モデリング選択(例えばエンコーダアーキテクチャ)におけるいくつかの差異にもかかわらず,既存のDGC方法は,主にオートエンコーダに基づいており,比較的小さな適応を有する同じクラスタリング目的を使用する。また,多くの実世界グラフは動的であるが,以前のDGC法は静的グラフのみを考慮した。本研究では,既存の方法と基本的に異なるグラフクラスタリングのための新しいエンドツーエンドフレームワークであるCGCを開発した。CGCはコントラストグラフ学習フレームワークにおけるノード埋込みとクラスタ割当てを学習し,そこでは,正と負のサンプルが階層的コミュニティ構造とネットワークホモフィリンを反映するようなマルチレベル方式で注意深く選択される。また,時間発展データのためにCGCを拡張し,時間グラフクラスタリングを増分学習方式で実行して,変化点を検出する能力を有した。実世界グラフに関する広範な評価は,提案したCGCが既存の方法よりも一貫して優れていることを示した。【JST・京大機械翻訳】

, , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

グラフ理論基礎 , システム・制御理論一般

, , ,

前のページに戻る