ترجمه فارسی مقاله خوشه بندی نمودار با انتشار ویژگی های دید متقابل

چکیده

Graph clustering is a fundamental and challenging learning task, which is conventionally approached by grouping similar vertices based on edge structure and feature similarity.In contrast to previous methods, in this paper, we investigate how multi-view feature propagation can influence cluster discovery in graph data.To this end, we present Graph Clustering With Cross-View Feature Propagation (GCCFP), a novel method that leverages multi-view feature propagation to enhance cluster identification in graph data.GCCFP employs a unified objective function that utilizes graph topology and multi-view vertex features to determine vertex cluster membership, regularized by a module that supports key latent feature propagation. We derive an iterative algorithm to optimize this function, prove model convergence within a finite number of iterations, and analyze its computational complexity. Our experiments on various real-world graphs demonstrate the superior clustering performance of GCCFP compared to well-established methods, manifesting its effectiveness across different scenarios.

چکیده به فارسی (ترجمه ماشینی)

خوشه بندی نمودار یک کار یادگیری اساسی و چالش برانگیز است ، که به طور معمول با گروه بندی رئوس های مشابه بر اساس ساختار لبه و شباهت ویژگی به آنها نزدیک می شود. در تضاد با روش های قبلی ، در این مقاله ، ما بررسی می کنیم که چگونه انتشار ویژگی های چند منظوره می تواند بر کشف خوشه ای در نمودار تأثیر بگذارد.Data.To the End ، ما خوشه بندی نمودار با انتشار ویژگی های دید متقابل (GCCFP) را ارائه می دهیم ، یک روش جدید که از انتشار ویژگی های چند منظره برای افزایش شناسایی خوشه در داده های نمودار استفاده می کند. GCCFP از یک عملکرد هدف یکپارچه استفاده می کند که از توپولوژی نمودار و چندگانه استفاده می کندویژگی های Vertex برای تعیین عضویت در خوشه راس ، که توسط ماژول ای که از انتشار ویژگی های کلیدی نهفته پشتیبانی می کند ، تنظیم شده است.ما یک الگوریتم تکراری را برای بهینه سازی این عملکرد استخراج می کنیم ، همگرایی مدل را در تعداد محدودی از تکرارها اثبات می کنیم و پیچیدگی محاسباتی آن را تجزیه و تحلیل می کنیم.آزمایشات ما در مورد نمودارهای مختلف در دنیای واقعی ، عملکرد خوشه بندی برتر GCCFP را در مقایسه با روشهای خوب تثبیت نشان می دهد و اثربخشی آن را در سناریوهای مختلف نشان می دهد.