Neues Graph-Clustering: Skalierung durch Kontraktion und Lernstruktur

Graph-Clustering zielt darauf ab, Knoten in sinnvolle Cluster zu gruppieren, indem die Ähnlichkeit zwischen ihnen genutzt wird. Bisher nutzen die meisten Verfahren die Kantengewichte jedoch nicht vollständig, was die Effizienz und Genauigkeit beeinträchtigt.

Die Herausforderung liegt in zwei Bereichen: Erstens erhöhen Kantengewichte den Speicherbedarf und die Trainingszeit erheblich. Daher ist es entscheidend, die Graphgröße zu reduzieren, ohne dabei wichtige Knoten zu verlieren. Zweitens können Kantengewichte Rauschen enthalten, das die Clusterbildung negativ beeinflusst. Nur wenige Ansätze optimieren gleichzeitig die Clusterbildung und die Kantengewichte, um die Auswirkungen von Rauschen zu minimieren.

Um diese Probleme zu lösen, wurde ein kontraktives, kantengewichtsorientiertes Graph-Clustering-Netzwerk entwickelt. Ein clusterorientiertes Graph-Kontraktionsmodul reduziert die Graphgröße, während wichtige Knoten erhalten bleiben. Parallel dazu identifiziert ein kantengewichtsorientiertes Aufmerksamkeitsnetzwerk störende Verbindungen und schwächt sie. Durch diese Kombination wird das Rauschen in den Kantengewichten frühzeitig erkannt und reduziert, was die Clusterqualität deutlich verbessert.

In umfangreichen Tests auf drei realen, gewichteten Graph-Datensätzen übertraf das neue Modell die besten Baselines. Zusätzlich zeigte sich, dass das Kontraktionsmodul die Trainingszeit und den Speicherbedarf signifikant senkt, was die Methode besonders für große Graphen attraktiv macht.