グラフ構造意味論的対照学習を用いた効率的なコミュニティ検出に向けて - GCLS$^2$

Concepts de base

従来のグラフ対照学習(GCL)ベースのコミュニティ検出手法は、個々のノードの属性表現学習に焦点を当てており、コミュニティの構造的意味論（例：同じコミュニティ内のノードは互いに近い必要がある）を無視しているため、コミュニティ検出の精度が低下するという課題がある。本稿では、この課題を解決するために、構造的意味論に基づくグラフ対照学習フレームワークGCLS2を提案する。

Résumé

GCLS$^2$: 構造的意味論を用いたグラフ対照学習による効率的なコミュニティ検出に向けて

本論文は、グラフ構造意味論を用いたグラフ対照学習による効率的なコミュニティ検出フレームワークGCLS2を提案する。従来のグラフ対照学習(GCL)ベースのコミュニティ検出手法は、個々のノードの属性表現学習に焦点を当てており、コミュニティの構造的意味論（例：同じコミュニティ内のノードは互いに近い必要がある）を無視しているため、コミュニティ検出の精度が低下するという課題があった。
GCLS2は、グラフの構造的意味論を考慮することで、より正確なコミュニティ検出を実現する。具体的には、古典的なコミュニティ構造に基づいて高レベル構造ビューを構築し、構造類似性意味エンコーダを通じて構造的および属性的な意味を抽出し、包括的なノード特徴表現を得る。さらに、構造的対照学習を設計することで、ノードの構造的特徴表現を強化し、より正確なコミュニティ検出を実現する。

グラフの前処理: データグラフから高レベル構造グラフを抽出する。古典的なコミュニティ構造パターン（k-core、k-truss、k-plexなど）を用いて、元のグラフのサブ構造をカウントし、各エッジペアが保持する特定のサブ構造パターンの数を辞書に格納する。
構造類似性意味エンコーダ: 構造類似性行列と属性行列から、構造と属性の意味表現を抽出する。2層DNNを用いて、構造的特徴と属性的特徴を低レベルで表現する。
構造的対照学習: グラフの高レベル構造を用いて、GCLの正負のサンプルペアを分割し、ノードのコミュニティ表現を強化する。元のデータグラフと高レベル構造グラフの2つのビューを用いて、構造的対照学習を行う。

Idées clés tirées de

GCLS$^2$: Towards Efficient Community Detection using Graph Contrastive Learning with Structure Semantics

by Qi Wen, Yiya... à arxiv.org 10-16-2024

https://arxiv.org/pdf/2410.11273.pdf