SCISE: новый метод кластеризации графов преодолевает структурную изоляцию
Научная работа, опубликованная на arXiv, описывает новый подход к неконтролируемой кластеризации графов — SCISE (Scalable unsupervised graph Clustering preserving structural Integrity). Кластеризация графов — ключевой метод выявления скрытых семантических паттернов в больших сетях, но существующие подходы на основе контрастивного обучения часто сталкиваются с проблемой «структурной изоляции» в процессе обучения на мини-батчах, что затрудняет обнаружение целостных сообществ.
Авторы предлагают фреймворк SCISE, который синергетически объединяет семплирование с учётом сообществ и ограниченную структурную энтропию. Первый компонент — оператор ограничения структурной энтропии сообществ (SECC). Он оптимизирует структурную информацию в ограниченном пространстве решений, уменьшая фрагментацию сообществ и улучшая согласованность разбиения.
Второй компонент — механизм расширения семплирования с учётом сообществ (CSampE). Он добавляет контекст сообществ целевых узлов в семплируемые батчи, предотвращая потерю глобальной информации и сохраняя топологическую целостность.
Третий модуль — структурное контрастивное обучение (StructCL). Он уточняет веса рёбер на основе внутри-батчевого структурного сходства, направляя кодировщик на обучение представлений в пространстве более высокого порядка.
Эксперименты на шести общепринятых бенчмарках показали, что SCISE значительно превосходит современные алгоритмы. Анализ абляции и проверка робастности подтвердили эффективность и надёжность метода для реальных крупномасштабных графов.
Данная работа открывает перспективы для более точного анализа социальных сетей, биологических графов и других сложных структур, где важны как локальные, так и глобальные связи.
