초록
속성 그래프 클러스터링은 그래프 구조와 노드 속성을 동시에 모델링해야 하기 때문에 도전적입니다. 최근 그래프 컨볼루션 네트워크의 발전은 그래프 컨볼루션이 구조적 정보와 내용 정보를 결합하는 데 효과적임을 입증하였으며, 이를 기반으로 한 몇몇 최근 방법들이 일부 실제 속성 그래프에서 유망한 클러스터링 성능을 달성하였습니다. 그러나 그래프 컨볼루션이 클러스터링 성능에 어떻게 영향을 미치는지, 그리고 다양한 그래프에 대해 성능을 최적화하기 위해 어떻게 적절히 사용해야 하는지에 대한 이해가 제한적입니다. 기존 방법들은 각 노드의 몇 개 이내의 이웃만 고려하는 고정되고 낮은 차수의 그래프 컨볼루션을 주로 사용하여, 노드 관계를 충분히 활용하지 못하고 그래프의 다양성을 무시합니다. 본 논문에서는 전역 클러스터 구조를 포착하기 위해 고차 그래프 컨볼루션을 활용하고, 다양한 그래프에 대해 적절한 차수를 자동으로 선택하는 속성 그래프 클러스터링을 위한 적응형 그래프 컨볼루션 방법을 제안합니다. 우리는 이론적인 분석과 벤치마크 데이터셋에 대한 광범위한 실험을 통해 우리의 방법의 유효성을 확립하였습니다. 경험적 결과는 우리의 방법이 최신 연구 방법들과 비교하여 우수함을 보여주고 있습니다.