ترجمه فارسی مقاله جاسازی طیفی مقیاس‌پذیر و تطبیقی ​​برای خوشه‌بندی گراف دارای ویژگی

چکیده

Attributed graph clustering, which aims to group the nodes of an attributed graph into disjoint clusters, has made promising advancements in recent years. However, most existing methods face challenges when applied to large graphs due to the expensive computational cost and high memory usage. In this paper, we introduce Scalable and Adaptive Spectral Embedding (SASE), a simple attributed graph clustering method devoid of parameter learning. SASE comprises three main components: node features smoothing via $k$-order simple graph convolution, scalable spectral clustering using random Fourier features, and adaptive order selection. With these designs, SASE not only effectively captures global cluster structures but also exhibits linear time and space complexity relative to the graph size. Empirical results demonstrate the superiority of SASE. For example, on the ArXiv dataset with 169K nodes and 1.17M edges, SASE achieves a 6.9% improvement in ACC and a $5.87times$ speedup compared to the runner-up, S3GC.

چکیده به فارسی (ترجمه ماشینی)

خوشه بندی نمودار نسبت داده شده ، که هدف آن گروه بندی گره های یک نمودار نسبت به خوشه های جدا شده است ، در سالهای اخیر پیشرفت های امیدوار کننده ای را انجام داده است.با این حال ، بیشتر روشهای موجود در هنگام استفاده از نمودارهای بزرگ به دلیل هزینه محاسباتی گران و استفاده از حافظه بالا ، با چالش هایی روبرو هستند.در این مقاله ، ما تعبیه طیفی مقیاس پذیر و تطبیقی ​​(SASE) را معرفی می کنیم ، یک روش خوشه بندی نمودار ساده و عاری از یادگیری پارامتر.SASE شامل سه مؤلفه اصلی است: ویژگی های گره از طریق $ $ $-$ $ Convolution نمودار ساده ، خوشه بندی طیفی مقیاس پذیر با استفاده از ویژگی های تصادفی فوریه و انتخاب سفارش سازگار.با استفاده از این طرح ها ، SASE نه تنها ساختارهای خوشه ای جهانی را ضبط می کند بلکه پیچیدگی زمان و فضا را نسبت به اندازه نمودار نشان می دهد.نتایج تجربی برتری SASE را نشان می دهد.به عنوان مثال ، در مجموعه داده ARXIV با گره های 169K و لبه های 1.17M ، SASE به پیشرفت 6.9 ٪ در ACC و سرعت 5.87 $ $ در مقایسه با Runner-Up ، S3GC می رسد.