خوشه بندی طیفی با شبکه های عصبی گرافی برای اجتماع گراف ها

در این بخش ترجمه مقاله Spectral Clustering with Graph Neural Networks for Graph Pooling به فارسی خوشه بندی طیفی با شبکه های عصبی گرافی برای اجتماع گراف ها قرار داده شده است. در این مقاله یک نوع روش خوشه بندی طیفی (SC) برای یافتن جوامع کاملاً متصل بر روی یک گراف معرفی شده است. از SC می توان در شبکه های عصبی مبتنی بر گراف (GNN) برای جمع آوری گره‌های متعلق به یک خوشه استفاده کرد. برای دانلود مقاله اصلی روی این لینک (+) کلیک کنید.

چکیده انگلیسی خوشه بندی طیفی با شبکه های عصبی

Spectral clustering (SC) is a popular clustering technique to find strongly connected communities on a graph. SC can be used in Graph Neural Networks (GNNs) to implement pooling operations that aggregate nodes belonging to the same cluster. However, the eigendecomposition of the Laplacian is expensive and, since clustering results are graph-specific, pooling methods based on SC must perform a new optimization for each new sample. In this paper, we propose a graph clustering approach that addresses these limitations of SC.

We formulate a continuous relaxation of the normalized minCUT problem and train a GNN to compute cluster assignments that minimize this objective. Our GNN-based implementation is differentiable, does not require to compute the spectral decomposition, and learns a clustering function that can be quickly evaluated on out-of-sample graphs. From the proposed clustering method, we design a graph pooling operator that overcomes some important limitations of state-of-the-art graph pooling techniques and achieves the best performance in several supervised and unsupervised tasks.

چکیده فارسی

خوشه بندی طیفی (SC) یک روش خوشه بندی محبوب برای یافتن جوامع کاملاً متصل بر روی یک گراف است. از SC می‌توان در شبکه های عصبی مبتنی بر گراف (GNN) برای جمع آوری گره‌های متعلق به یک خوشه استفاده کرد. اگرچه ترکیب ویژه لاپلاسین گران است و از آن‌جایی که نتایج خوشه بندی مبتنی بر گراف می‌باشد، روش‌های اجتماع مبتنی بر SC برای هر نمونه باید بهینه سازی جدیدی را اجرا کنند. در این مقاله، ما یک رویکرد خوشه بندی گرافی ارائه می‌دهیم که به محدودیت‌های مربوط به SC می‌پردازد.

همین طور کم کارآمدی یا استراحت مداوم مسئله minCUT نرمال شده را فرموله می‌کنیم و یک GNN را برای محاسبه وظایف خوشه‌ای که این هدف را به حداقل می‌رساند آموزش می‌دهیم.

پیاده سازی مبتنی بر GNN ما تشخیص پذیر است، نیازی به محاسبه تجزیه طیفی ندارد و عملکرد خوشه بندی را می‌آموزد که می‎تواند به سرعت در گراف‌های خارج از نمونه ارزیابی شود. با استفاده از خوشه بندی پیشنهادی، ما یک اپراتور جمع آوری گراف را طراحی می‌کنیم که به برخی از محدودیت‌های مهم تکنیک‌های جمع آوری گراف‌های پیشرفته غلبه می‌کند و در وظایف تحت نظارت و غیر تحت نظارت بهترین عملکرد را دارد. از مباحث مرتبط با این موضوع؛ می‌توان به فایل آماده انواع گراف اشاره نمود.

درباره خوشه بندی طیفی با شبکه های عصبی

ترجمه مقاله اخوشه بندی طیفی با شبکه های عصبی گرافی برای اجتماع گراف‌ها عنوان اثری است که در قالب ورد به تعداد ۲۶ صفحه به‌صورت دقیق و روان توسط متخصصان ترجمه رشته کامپیوتر انجام شده است. این ترجمه از طرف کارشناسان پی استور بررسی شده و دارای نشان تضمین کیفیت پی استور می باشد. برای دانلود اثر مذکور آن را خریداری کنید به محض خرید لینک دانلود در دسترس خواهد بود. لازم به ذکر است مجموعه آموزشی پی استور با طراحی، تدوین و ارائه انواع پاورپوینت‌های آماده در موضوعات متنوع و جذاب و قالب‌های آکادمیک و استاندارد در انواع تحقیقات و پژوهش‎ها همراه شما بزرگواران است.