속성 결여 그래프 군집화 네트워크

속성이 결여된 그래프를 이용한 심층 군집화는 일부 노드만 완전한 속성을 보유하고 나머지 노드의 속성이 누락된 상황에서 중요한 동시에 도전적인 주제입니다. 기존 연구에서는 데이터 보간을 먼저 수행하고 그 다음에 보간된 정보를 사용하여 군집화를 수행하는 것이 일반적인 학습 패러다임이 되어 버렸습니다. 그러나 이러한 "두 단계" 방법은 군집화와 보간 과정을 분리하여 모델이 군집화 친화적인 그래프 임베딩을 효과적으로 학습하는 것을 방해합니다. 또한, 이러한 방법들은 군집화 작업을 위해 최적화되어 있지 않아 군집화 결과가 열악해지는 경향이 있습니다. 이러한 문제를 해결하기 위해, 우리는 통합 프레임워크에서 군집화와 보간을 번갈아 촉진하는 새로운 속성 결여 그래프 군집화(AMGC) 방법을 제안합니다. 여기서는 반복적으로 군집화 강화 이웃 정보 생성하여 데이터 보간 과정을 수행하고, 보간된 정보를 활용하여 모델 최적화를 통해 군집화 분포를 암묵적으로 개선합니다. 구체적으로, 보간 단계에서는 학습된 군집화 정보를 보간 프롬프트로 사용하여 각 속성 결여 샘플이 자산 클러스터 내에서 높은 상관관계를 가진 특성을 모아 데이터 완성을 도와주어, 클래스 내 응집도를 개선합니다. 더 나아가, 신뢰할 수 있는 군집화를 지원하기 위해, 우리는 보간된 잠재적 특징들에 대해 비용 효율적인 이중 비대조 학습을 실시하여 클래스 간 분리 가능성을 극대화하고, 이는 군집화 서브 네트워크를 위한 그래프 인코딩 능력을 증진시킵니다. 다섯 개 데이터셋에서의 광범위한 실험은 AMGC가 경쟁자들에 비해 우위를 나타냄을 인증했습니다.