Le clustering de graphiques, en tant que tâche cruciale dans l’analyse de graphiques [1]vise à partitionner un graphe en plusieurs clusters, garantissant que les nœuds au sein du même cluster présentent des similitudes en termes de topologie du graphe et de valeurs d’attribut. [2,3]. Ce processus permet l’identification de groupes cohérents au sein du graphique, facilitant diverses tâches en aval telles que la détection de communauté, la détection d’anomalies et les systèmes de recommandation. [4,5,6]. Divers algorithmes de regroupement de graphiques ont été appliqués dans des domaines tels que la recommandation sociale, la prédiction de liens, l’analyse des réseaux de citations, l’analyse des interactions protéiques et l’analyse des réseaux cérébraux. [7,8]. La plupart des algorithmes de regroupement de graphiques existants se concentrent sur les données graphiques à vue unique [9]. Cependant, les données graphiques dans les applications pratiques sont généralement multi-relationnelles. Par exemple, dans les réseaux biologiques, les interactions entre les protéines de certains organismes peuvent impliquer de multiples modèles d’interaction parmi des milliers de molécules protéiques, chaque protéine [10] ayant des informations d’attribut spécifiques. Dans les réseaux sociaux [11], les individus peuvent entretenir différents types de relations sociales, telles que des amis, des adeptes et des co-groupes, chaque individu possédant certaines caractéristiques descriptives. Dans un réseau de planification des transports, les emplacements sont abstraits sous forme de nœuds, tandis que différents types de routes : métros, autoroutes, voies ferrées, etc., sont abstraits sous forme de côtés de différentes vues. En analysant les données graphiques multi-vues, il contribue à améliorer la compréhension de la complexité des systèmes de transport urbain et peut contribuer à améliorer la mobilité et la sécurité du trafic. [12]. Par rapport aux données graphiques à vue unique, les données graphiques à vues multiples ont une structure topologique multicouche et contiennent des informations plus riches, facilitant une détection plus précise des structures de modèles au sein du réseau. Par exemple, une plateforme de réseautage social contient de riches données comportementales des utilisateurs et des informations sur les relations interpersonnelles. En intégrant des algorithmes de regroupement de graphiques multi-vues pour fusionner les connexions sociales, les intérêts et d’autres informations d’attribut de l’utilisateur, la plate-forme de réseau social peut découvrir plus précisément les connexions entre différents groupes, permettant ainsi des services de recommandation de cercles sociaux plus précis. En introduisant plus d’informations sur les antécédents des utilisateurs, les relations interpersonnelles et d’autres aspects, la plate-forme peut rendre les recommandations de produits plus ciblées et plus adaptatives. En prenant en compte de manière exhaustive les données comportementales des utilisateurs et les riches relations interpersonnelles, il est possible d’identifier les faux comptes potentiels et les activités frauduleuses, garantissant ainsi davantage la sécurité de la plateforme de réseau social. Par conséquent, les algorithmes de regroupement de graphiques multi-vues peuvent exploiter les informations sociales et les modèles de comportement des utilisateurs sur la plate-forme pour fournir aux utilisateurs des services plus précis, intelligents et sécurisés, améliorant ainsi l’expérience utilisateur et la rigidité de la plate-forme de réseau social. Cependant, il existe à la fois des corrélations et une hétérogénéité au sein des structures de cluster contenues dans différentes vues, ce qui introduit de nouveaux défis pour les tâches de clustering. [13,14].
Ces dernières années, la question du regroupement de graphes multi-vues a attiré l’attention des chercheurs, conduisant à l’émergence d’une série d’algorithmes connexes. Ces algorithmes peuvent être classés en deux types : le clustering de graphes basé sur l’apprentissage de graphes consensuels et le clustering de graphes basé sur l’apprentissage de représentations. La première catégorie tente d’apprendre un graphique de consensus en maximisant la cohérence entre les différents points de vue. Par la suite, en utilisant un algorithme de clustering traditionnel, il dérive les résultats finaux du clustering. [15,16]. Cependant, le regroupement direct du graphique de consensus peut entraîner la perte d’informations spécifiques dans chaque vue. Cette dernière catégorie vise à intégrer les informations d’attribut de chaque nœud à la structure topologique du graphe, tout en maximisant la préservation des informations provenant de vues multiples. Ces algorithmes mappent les données dans une représentation vectorielle commune de faible dimension qui peut être utilisée pour le clustering. [17,18]. Cependant, la plupart des algorithmes présentent plusieurs limites. Par exemple, les représentations locales construites directement à l’aide d’un réseau de convolution graphique (GCN) sont sensibles au bruit haute fréquence. De plus, une représentation globale construite à partir de représentations locales de chaque vue se concentre souvent uniquement sur les informations de cohérence de chaque vue, ignorant ainsi les informations complémentaires. [19].
Pour surmonter ces limitations, cet article décrit une nouvelle amélioration de la représentation locale-globale pour l’algorithme de regroupement de graphes multi-vues (LGMGC). Cet algorithme améliore les signaux basse fréquence dans les représentations locales grâce au filtrage graphique, les rendant plus adaptés aux tâches de clustering. Un mécanisme d’attention est utilisé pour permettre à la représentation globale d’intégrer des informations provenant de diverses vues, améliorant ainsi les connexions entre des nœuds similaires dans la représentation globale intégrée et améliorant les résultats de regroupement. Cela renforce l’attention portée aux informations complémentaires au sein de la représentation globale. Plus précisément, les données graphiques sont codées à l’aide d’une combinaison de filtres graphiques passe-bas et d’un perceptron multicouche (MLP). Ce processus de codage améliore les signaux basse fréquence présents dans les représentations locales. Les représentations locales de chaque vue sont ensuite intégrées dans une représentation globale en utilisant le mécanisme d’attention. L’exploration des caractéristiques topologiques de chaque vue est renforcée grâce à la reconstruction des matrices d’adjacence, et l’introduction d’une régularisation contrastive de voisinage améliore la connectivité entre les nœuds ayant des attributs similaires dans la représentation globale, ce qui clarifie la structure du cluster. Enfin, un algorithme de clustering traditionnel est appliqué à la représentation améliorée pour obtenir les résultats finaux de clustering.
L’article est structuré comme suit : Dans la section 2, une revue des travaux connexes sur le clustering de graphiques multi-vues est proposée. Dans la section 3, le processus spécifique de l’algorithme proposé est soigneusement expliqué. Dans la section 4, nous procédons à une évaluation de l’algorithme proposé, en le comparant aux algorithmes existants. Dans la section 5, nous avons mené des expériences d’ablation pour vérifier l’efficacité de chaque composant. Dans la section 6, nous avons discuté des résultats expérimentaux de l’article. Dans la section 7, nous concluons ce travail et suggérons l’orientation des travaux futurs.
A lire sur un thème proche:
Chemins de traverse ; vivre l’économie autrement.,Références de l’ouvrage.
Ce texte a été produit du mieux possible. Si vous envisagez de mettre à disposition des renseignements complémentaires à cet article sur le sujet « Rémunérations » vous pouvez utiliser les coordonnées affichées sur ce site. remunerations.fr est une plateforme numérique qui stocke de nombreux articles publiés sur le net dont le sujet de prédilection est « Rémunérations ». remunerations.fr vous propose ce post développant du thème « Rémunérations ». En visitant plusieurs fois notre blog vous serez au courant des futures annonces.
