Multi-order Graph Clustering with Adaptive Node-level Weight Learning

要約

現在のグラフ クラスタリング手法は、モチーフ レベルでの高次の組織化を無視しながら、個々のノードとエッジの接続を強調します。
最近、高次グラフ クラスタリング アプローチがモチーフ ベースのハイパーグラフによって設計されています。
ただし、これらのアプローチでは、ハイパーグラフの断片化の問題が深刻になることが多く、クラスタリングのパフォーマンスが大幅に低下します。
さらに、現実世界のグラフには通常、ノードが複数のモチーフに関与する多様なモチーフが含まれています。
主な課題は、ノード レベルで複数のモチーフからの情報を統合することによって、正確なクラスタリング結果をどのように達成するかです。
この論文では、複数の高次構造とエッジ接続をノードレベルで統合するための多次グラフクラスタリングモデル(MOGC)を提案します。
MOGC は、適応重み学習メカニズムを採用して、各ノードのさまざまなモチーフの寄与を自動的に調整します。
これにより、ハイパーグラフの断片化の問題に対処できるだけでなく、クラスタリングの精度も向上します。
MOGC は、交互最小化アルゴリズムによって効率的に解決されます。
7 つの現実世界のデータセットでの実験は、MOGC の有効性を示しています。

要約(オリジナル)

Current graph clustering methods emphasize individual node and edge con nections, while ignoring higher-order organization at the level of motif. Re cently, higher-order graph clustering approaches have been designed by motif based hypergraphs. However, these approaches often suffer from hypergraph fragmentation issue seriously, which degrades the clustering performance greatly. Moreover, real-world graphs usually contain diverse motifs, with nodes participating in multiple motifs. A key challenge is how to achieve precise clustering results by integrating information from multiple motifs at the node level. In this paper, we propose a multi-order graph clustering model (MOGC) to integrate multiple higher-order structures and edge connections at node level. MOGC employs an adaptive weight learning mechanism to au tomatically adjust the contributions of different motifs for each node. This not only tackles hypergraph fragmentation issue but enhances clustering accuracy. MOGC is efficiently solved by an alternating minimization algo rithm. Experiments on seven real-world datasets illustrate the effectiveness of MOGC.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google