Compattezza e coerenza: un framework congiunto per il clustering profondo dei grafi

Abstract degli autori

Il clustering dei grafi è un compito fondamentale nell’analisi dei dati: mira a raggruppare in cluster i nodi di un grafo che presentano caratteristiche simili. Il problema è stato ampiamente studiato con le reti neurali per grafi (GNN), grazie alla loro capacità di sfruttare gli attributi dei nodi e la topologia del grafo per assegnare efficacemente i nodi ai cluster. Tuttavia, le rappresentazioni apprese dalle GNN faticano in genere a cogliere le relazioni globali tra i nodi attraverso meccanismi locali di scambio dei messaggi. Inoltre, la ridondanza e il rumore insiti nei dati dei grafi possono facilmente rendere le rappresentazioni dei nodi poco compatte e robuste. Per affrontare questi problemi, proponiamo CoCo, un framework congiunto che conferisce compattezza e coerenza alle rappresentazioni dei nodi apprese per il clustering profondo dei grafi. Sul piano tecnico, CoCo sfrutta filtri convoluzionali per grafi per apprendere rappresentazioni robuste dei nodi da prospettive sia locali sia globali, per poi codificarle in embedding compatti di rango ridotto. In questo modo elimina efficacemente ridondanza e rumore e porta alla luce la struttura intrinseca sottostante. Per arricchire ulteriormente la semantica dei nodi, sviluppiamo una strategia di apprendimento della coerenza basata su embedding compatti, che facilita il trasferimento di conoscenze tra le due prospettive. I risultati sperimentali indicano che CoCo supera i metodi concorrenti all’avanguardia su diversi dataset.