ترجمه فارسی مقاله خوشه‌بندی گراف مقابله‌ای هدایت‌شده با ماتریس شباهت گره قابل اعتماد

چکیده

Graph clustering, which involves the partitioning of nodes within a graph into disjoint clusters, holds significant importance for numerous subsequent applications. Recently, contrastive learning, known for utilizing supervisory information, has demonstrated encouraging results in deep graph clustering. This methodology facilitates the learning of favorable node representations for clustering by attracting positively correlated node pairs and distancing negatively correlated pairs within the representation space. Nevertheless, a significant limitation of existing methods is their inadequacy in thoroughly exploring node-wise similarity. For instance, some hypothesize that the node similarity matrix within the representation space is identical, ignoring the inherent semantic relationships among nodes. Given the fundamental role of instance similarity in clustering, our research investigates contrastive graph clustering from the perspective of the node similarity matrix. We argue that an ideal node similarity matrix within the representation space should accurately reflect the inherent semantic relationships among nodes, ensuring the preservation of semantic similarities in the learned representations. In response to this, we introduce a new framework, Reliable Node Similarity Matrix Guided Contrastive Graph Clustering (NS4GC), which estimates an approximately ideal node similarity matrix within the representation space to guide representation learning. Our method introduces node-neighbor alignment and semantic-aware sparsification, ensuring the node similarity matrix is both accurate and efficiently sparse. Comprehensive experiments conducted on $8$ real-world datasets affirm the efficacy of learning the node similarity matrix and the superior performance of NS4GC.

چکیده به فارسی (ترجمه ماشینی)

خوشه بندی نمودار ، که شامل پارتیشن بندی گره ها در یک نمودار به خوشه های جدا شده است ، برای بسیاری از برنامه های بعدی از اهمیت قابل توجهی برخوردار است.به تازگی ، یادگیری متضاد ، که به استفاده از اطلاعات نظارتی شناخته شده است ، نتایج دلگرم کننده ای را در خوشه بندی نمودار عمیق نشان داده است.این روش با جذب جفت های گره ای با همبستگی مثبت و فاصله گرفتن از جفت های همبستگی منفی در فضای بازنمایی ، یادگیری بازنمایی های گره مطلوب را برای خوشه بندی تسهیل می کند.با این وجود ، محدودیت قابل توجهی از روشهای موجود عدم کفایت آنها در کاوش کامل شباهت گره است.به عنوان مثال ، برخی فرضیه این فرضیه را دارند که ماتریس شباهت گره در فضای بازنمایی یکسان است ، و روابط معنایی ذاتی بین گره ها را نادیده می گیرد.با توجه به نقش اساسی شباهت نمونه در خوشه بندی ، تحقیقات ما در مورد خوشه بندی نمودار متضاد از منظر ماتریس شباهت گره بررسی می کند.ما استدلال می کنیم که یک ماتریس شباهت گره ایده آل در فضای بازنمایی باید به طور دقیق روابط معنایی ذاتی بین گره ها را منعکس کند ، و از حفظ شباهت های معنایی در بازنمودهای آموخته اطمینان حاصل کند.در پاسخ به این ، ما یک چارچوب جدید ، خوشه بندی نمودار متضاد با هدایت گره با هدایت گره را معرفی می کنیم (NS4GC) ، که یک ماتریس شباهت گره تقریباً ایده آل را در فضای بازنمایی تخمین می زند تا یادگیری بازنمایی را راهنمایی کند.روش ما تراز گره و هماهنگی معنایی را معرفی می کند ، و اطمینان می دهد که ماتریس شباهت گره هم دقیق و هم به طور کارآمد پراکنده است.آزمایش های جامع انجام شده بر روی مجموعه داده های 8 $ $ واقعی در دنیای واقعی ، اثربخشی یادگیری ماتریس شباهت گره و عملکرد برتر NS4GC را تأیید می کند.