ترجمه فارسی مقاله شبکه خوشه‌بندی گراف مقابله‌ای خودنظارتی از طریق ادغام اطلاعات ساختاری

چکیده

Graph clustering, a classical task in graph learning, involves partitioning the nodes of a graph into distinct clusters. This task has applications in various real-world scenarios, such as anomaly detection, social network analysis, and community discovery. Current graph clustering methods commonly rely on module pre-training to obtain a reliable prior distribution for the model, which is then used as the optimization objective. However, these methods often overlook deeper supervised signals, leading to sub-optimal reliability of the prior distribution. To address this issue, we propose a novel deep graph clustering method called CGCN. Our approach introduces contrastive signals and deep structural information into the pre-training process. Specifically, CGCN utilizes a contrastive learning mechanism to foster information interoperability among multiple modules and allows the model to adaptively adjust the degree of information aggregation for different order structures. Our CGCN method has been experimentally validated on multiple real-world graph datasets, showcasing its ability to boost the dependability of prior clustering distributions acquired through pre-training. As a result, we observed notable enhancements in the performance of the model.

چکیده به فارسی (ترجمه ماشینی)

خوشه بندی نمودار ، یک کار کلاسیک در یادگیری گراف ، شامل تقسیم گره های یک نمودار به خوشه های مجزا است.این کار دارای برنامه هایی در سناریوهای مختلف در دنیای واقعی ، مانند تشخیص ناهنجاری ، تجزیه و تحلیل شبکه های اجتماعی و کشف جامعه است.روشهای خوشه بندی نمودار فعلی معمولاً برای بدست آوردن توزیع قبلی قابل اعتماد برای مدل ، به پیش از ماژول متکی هستند ، که سپس به عنوان هدف بهینه سازی استفاده می شود.با این حال ، این روش ها غالباً از سیگنالهای نظارت شده عمیق تر غافل می شوند و منجر به قابلیت اطمینان زیر بهینه توزیع قبلی می شوند.برای پرداختن به این مسئله ، ما یک روش خوشه بندی نمودار عمیق به نام CGCN پیشنهاد می کنیم.رویکرد ما سیگنال های متضاد و اطلاعات ساختاری عمیق را در فرآیند قبل از آموزش معرفی می کند.به طور خاص ، CGCN از یک مکانیسم یادگیری متضاد برای تقویت قابلیت همکاری اطلاعات در بین ماژول های مختلف استفاده می کند و به مدل اجازه می دهد تا به طور تطبیقی ​​درجه جمع آوری اطلاعات را برای ساختارهای مختلف مرتبه تنظیم کند.روش CGCN ما به صورت تجربی در چندین مجموعه داده نمودار واقعی در دنیای واقعی تأیید شده است ، و توانایی آن را در تقویت قابلیت اطمینان از توزیع های خوشه بندی قبلی به دست آمده از قبل از ترحم نشان می دهد.در نتیجه ، ما پیشرفتهای قابل توجهی در عملکرد مدل مشاهده کردیم.