Contrastive Graph Clustering in Curvature Spaces

要約

タイトル：曲率空間における対照的グラフクラスタリング
要約：
– グラフクラスタリングは長年の研究トピックであり、最近のディープラーニング手法により顕著な成功を収めた。しかし、いくつかの重要な問題が未解決であるという観察結果がある。
– 一方で、幾何的観点からのグラフクラスタリングは魅力的だが、幾何的クラスタリングに有望な空間がないため、あまり取り組まれていない。他方、対照的学習はディープグラフクラスタリングを促進するが、グラフの拡張やハードサンプルマイニングに苦戦することが多い。
– このギャップを埋めるために、私たちは幾何的観点からグラフクラスタリングの問題を再考し、リッチ曲率で幾何的グラフクラスタリングに異質な曲率空間を導入することを最初に試みたと報告する。
– 対応して、私たちはリッチ曲率による幾何的グラフクラスタリングを扱う新しいエンドツーエンドの対照的グラフクラスタリングモデルCONGREGATEを提供する。
– 幾何的クラスタリングをサポートするために、私たちは理論的に基礎づけられた異質な曲率空間を構築し、提案された完全リーマングラフ畳み込みネットワークの積により深い表現を生成する。その後、私たちは曲率空間のハードネガティブとハードポジティブに注意を払う、拡張フリーの再重み付け対照的アプローチでグラフクラスターをトレーニングする。
– 実証実験の結果、我々のモデルは実世界のグラフで従来の競合相手よりも優れた結果を示した。

要約(オリジナル)

Graph clustering is a longstanding research topic, and has achieved remarkable success with the deep learning methods in recent years. Nevertheless, we observe that several important issues largely remain open. On the one hand, graph clustering from the geometric perspective is appealing but has rarely been touched before, as it lacks a promising space for geometric clustering. On the other hand, contrastive learning boosts the deep graph clustering but usually struggles in either graph augmentation or hard sample mining. To bridge this gap, we rethink the problem of graph clustering from geometric perspective and, to the best of our knowledge, make the first attempt to introduce a heterogeneous curvature space to graph clustering problem. Correspondingly, we present a novel end-to-end contrastive graph clustering model named CONGREGATE, addressing geometric graph clustering with Ricci curvatures. To support geometric clustering, we construct a theoretically grounded Heterogeneous Curvature Space where deep representations are generated via the product of the proposed fully Riemannian graph convolutional nets. Thereafter, we train the graph clusters by an augmentation-free reweighted contrastive approach where we pay more attention to both hard negatives and hard positives in our curvature space. Empirical results on real-world graphs show that our model outperforms the state-of-the-art competitors.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI