要約
属性付きグラフクラスタリングは、グラフの構造とノード属性を同時にモデル化する必要があるため、挑戦的な課題となっています。最近のグラフ畳み込みネットワーク（Graph Convolutional Networks: GCNs）の進展により、グラフ畳み込みが構造情報とコンテンツ情報を組み合わせる上で効果的であることが証明され、いくつかの最近の手法が実際の属性付きネットワークでのクラスタリング性能において有望な結果を達成しています。しかし、グラフ畳み込みがクラスタリング性能にどのように影響を与えるのか、また異なるグラフに対して最適な性能を得るためにどのように適切に使用すべきなのかについては、まだ十分な理解が得られていません。既存の手法は基本的に固定かつ低次元のグラフ畳み込みを使用しており、各ノードから数ホップ以内の近隣のみを考慮しているため、ノード間の関係性を十分に活用できず、グラフの多様性も無視しています。本論文では、高次元のグラフ畳み込みを利用して全体的なクラスタ構造を捉え、異なるグラフに対して適切な次数を選択する適応型グラフ畳み込み手法を提案します。理論解析およびベンチマークデータセットにおける広範な実験を通じて、当手法の有効性を確認しました。経験的結果は、当手法が最先端の手法と比較して優れた性能を示すことを示しています。