Classification de Grappes dans les Graphes Attribués par Convolution Graphique Adaptative

Le clustering de graphes attribués est un défi car il nécessite une modélisation conjointe des structures de graphe et des attributs des nœuds. Les progrès récents sur les réseaux de neurones convolutifs pour graphes ont montré que la convolution de graphe est efficace pour combiner l'information structurelle et le contenu, et plusieurs méthodes récentes basées sur cette technique ont obtenu des performances prometteuses en clustering sur certains réseaux attribués réels. Cependant, il existe une compréhension limitée de la manière dont la convolution de graphe influence les performances du clustering et de comment l'utiliser correctement pour optimiser ces performances selon différents types de graphes. Les méthodes existantes utilisent essentiellement une convolution de graphe d'ordre fixe et faible, qui ne prend en compte que les voisins situés à quelques sauts de chaque nœud, ce qui sous-exploite les relations entre les nœuds et ignore la diversité des graphes. Dans cet article, nous proposons une méthode de convolution de graphe adaptative pour le clustering de graphes attribués, qui utilise une convolution de graphe d'ordre élevé pour capturer la structure globale des clusters et sélectionne adaptativement l'ordre approprié pour différents graphes. Nous établissons la validité de notre méthode par une analyse théorique et des expériences approfondies sur des jeux de données de référence. Les résultats empiriques montrent que notre méthode se compare favorablement aux méthodes les plus avancées actuellement disponibles.