A Survey of Deep Graph Clustering: Taxonomy, Challenge, Application, and Open Resource

要約

グラフ クラスタリングは、グラフ内のノードをいくつかの異なるクラスターに分割することを目的としており、基本的ではありますが、困難なタスクです。
ディープ ラーニングの強力な表現機能の恩恵を受けて、ディープ グラフ クラスタリング手法は近年大きな成功を収めています。
しかし、対応する調査論文は比較的少ないため、この分野の概要を作成することが差し迫っています。
この動機から、私たちはディープグラフクラスタリングの包括的な調査を実施します。
まず、この分野における定型的な定義、評価、開発について紹介します。
次に、ディープ グラフ クラスタリング手法の分類が、グラフ タイプ、ネットワーク アーキテクチャ、学習パラダイム、クラスタリング手法を含む 4 つの異なる基準に基づいて提示されます。
第三に、広範な実験を通じて既存の手法を注意深く分析し、グラフデータの品質、安定性、拡張性、識別能力、未知のクラスター数を含む5つの観点から課題と機会をまとめます。
さらに、コンピューター ビジョン、自然言語処理、レコメンデーション システム、ソーシャル ネットワーク分析、生物情報学、医学を含む 6 つの分野におけるディープ グラフ クラスタリング手法の応用例が紹介されています。
最後になりましたが、この文書では、1) 最先端のディープ グラフのコレクション (\url{https://github.com/yueliu1999/Awesome-Deep-Graph-Clustering}) を含むオープン リソースのサポートを提供します。
クラスタリング手法 (論文、コード、データセット) と 2) ディープ グラフの統合フレームワーク (\url{https://github.com/Marigoldwu/A-Unified-Framework-for-Deep-Attribute-Graph-Clustering})
クラスタリング。
この研究がクイックガイドとして役立ち、研究者がこの活気に満ちた分野の課題を克服するのに役立つことを願っています。

要約(オリジナル)

Graph clustering, which aims to divide nodes in the graph into several distinct clusters, is a fundamental yet challenging task. Benefiting from the powerful representation capability of deep learning, deep graph clustering methods have achieved great success in recent years. However, the corresponding survey paper is relatively scarce, and it is imminent to make a summary of this field. From this motivation, we conduct a comprehensive survey of deep graph clustering. Firstly, we introduce formulaic definition, evaluation, and development in this field. Secondly, the taxonomy of deep graph clustering methods is presented based on four different criteria, including graph type, network architecture, learning paradigm, and clustering method. Thirdly, we carefully analyze the existing methods via extensive experiments and summarize the challenges and opportunities from five perspectives, including graph data quality, stability, scalability, discriminative capability, and unknown cluster number. Besides, the applications of deep graph clustering methods in six domains, including computer vision, natural language processing, recommendation systems, social network analyses, bioinformatics, and medical science, are presented. Last but not least, this paper provides open resource supports, including 1) a collection (\url{https://github.com/yueliu1999/Awesome-Deep-Graph-Clustering}) of state-of-the-art deep graph clustering methods (papers, codes, and datasets) and 2) a unified framework (\url{https://github.com/Marigoldwu/A-Unified-Framework-for-Deep-Attribute-Graph-Clustering}) of deep graph clustering. We hope this work can serve as a quick guide and help researchers overcome challenges in this vibrant field.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google