ترجمه فارسی مقاله یادگیری متضاد تقویت شده برای خوشه بندی نمودار

چکیده

Graph clustering is a crucial task in network analysis with widespread applications, focusing on partitioning nodes into distinct groups with stronger intra-group connections than inter-group ones. Recently, contrastive learning has achieved significant progress in graph clustering. However, most methods suffer from the following issues: 1) an over-reliance on meticulously designed data augmentation strategies, which can undermine the potential of contrastive learning. 2) overlooking cluster-oriented structural information, particularly the higher-order cluster(community) structure information, which could unveil the mesoscopic cluster structure information of the network. In this study, Structure-enhanced Contrastive Learning (SECL) is introduced to addresses these issues by leveraging inherent network structures. SECL utilizes a cross-view contrastive learning mechanism to enhance node embeddings without elaborate data augmentations, a structural contrastive learning module for ensuring structural consistency, and a modularity maximization strategy for harnessing clustering-oriented information. This comprehensive approach results in robust node representations that greatly enhance clustering performance. Extensive experiments on six datasets confirm SECL’s superiority over current state-of-the-art methods, indicating a substantial improvement in the domain of graph clustering.

چکیده به فارسی (ترجمه ماشینی)

خوشه بندی نمودار یک کار مهم در تجزیه و تحلیل شبکه با برنامه های گسترده است و با تمرکز بر گره های پارتیشن بندی به گروه های مجزا با اتصالات درون گروهی قوی تر از گروه های بین گروهی.اخیراً ، یادگیری متضاد در خوشه بندی نمودار به پیشرفت چشمگیری رسیده است.با این حال ، اکثر روش ها از موضوعات زیر رنج می برند: 1) بیش از حد به استراتژی های تقویت داده های دقیق طراحی شده ، که می تواند پتانسیل یادگیری متضاد را تضعیف کند.2) مشرف به اطلاعات ساختاری خوشه ای گرا ، به ویژه اطلاعات ساختار خوشه ای مرتبه بالاتر (جامعه) ، که می تواند از اطلاعات ساختار خوشه مزوسکوپی شبکه پرده برداری کند.در این مطالعه ، یادگیری متضاد تقویت شده با ساختار (SECL) با استفاده از ساختارهای شبکه ذاتی ، به این موضوعات پرداخته می شود.SECL از یک مکانیسم یادگیری متضاد متضاد برای تقویت تعبیه های گره بدون تقویت داده های دقیق ، یک ماژول یادگیری متضاد ساختاری برای اطمینان از قوام ساختاری و یک استراتژی حداکثر سازی مدولار برای استفاده از اطلاعات خوشه بندی گرا استفاده می کند.این رویکرد جامع منجر به بازنمایی گره قوی می شود که عملکرد خوشه بندی را تا حد زیادی افزایش می دهد.آزمایش های گسترده در شش مجموعه داده ، برتری SECL را نسبت به روشهای پیشرفته فعلی تأیید می کند ، که نشان دهنده پیشرفت قابل توجهی در دامنه خوشه بندی نمودار است.