[논문 리뷰] Unpaired Multi-View Graph Clustering with Cross-View Structure Matching

Yi Wen, Siwei Wang외 5명|arXiv (Cornell University)|2023. 07. 07.

Advanced Graph Neural Networks인용 수 4

한 줄 요약

이 논문은 사전 정렬 없이 표본 대응을 개선하기 위해 교차 뷰 구조 일치를 활용하는 파라미터 없는 그래프 클러스터링 프레임워크인 UPMGC-SM을 제안한다. 공유된 공간과 투사 고정점 최적화를 통해 완전히 및 부분적으로 미결합된 데이터셋 모두에서 강건한 클러스터링을 달성하며, 최소한의 하이퍼파rameter 튜닝으로 기존 방법보다 정렬 정확도와 클러스터링 성능에서 뛰어난 성능을 발휘한다.

ABSTRACT

Multi-view clustering (MVC), which effectively fuses information from multiple views for better performance, has received increasing attention. Most existing MVC methods assume that multi-view data are fully paired, which means that the mappings of all corresponding samples between views are pre-defined or given in advance. However, the data correspondence is often incomplete in real-world applications due to data corruption or sensor differences, referred as the data-unpaired problem (DUP) in multi-view literature. Although several attempts have been made to address the DUP issue, they suffer from the following drawbacks: 1) Most methods focus on the feature representation while ignoring the structural information of multi-view data, which is essential for clustering tasks; 2) Existing methods for partially unpaired problems rely on pre-given cross-view alignment information, resulting in their inability to handle fully unpaired problems; 3) Their inevitable parameters degrade the efficiency and applicability of the models. To tackle these issues, we propose a novel parameter-free graph clustering framework termed Unpaired Multi-view Graph Clustering framework with Cross-View Structure Matching (UPMGC-SM). Specifically, unlike the existing methods, UPMGC-SM effectively utilizes the structural information from each view to refine cross-view correspondences. Besides, our UPMGC-SM is a unified framework for both the fully and partially unpaired multi-view graph clustering. Moreover, existing graph clustering methods can adopt our UPMGC-SM to enhance their ability for unpaired scenarios. Extensive experiments demonstrate the effectiveness and generalization of our proposed framework for both paired and unpaired datasets.

연구 동기 및 목표

• 표본 대응이 누락되거나 불완전한 상황에서 발생하는 데이터 미결합 문제(DUP)를 해결하기 위해.
• 기존 방법들이 구조 정보를 忽시하고 사전 정의된 정렬 또는 하이퍼파rameter에 의존하는 한계를 극복하기 위해.
• 완전히 및 부분적으로 미결합된 상황 모두에 적용 가능한 통합적이고 파라미터 없는 프레임워크를 개발하기 위해.
• 공유된 거리 공간을 통해 뷰 간의 구조 일관성을 활용하여 클러스터링 성능을 향상시키기 위해.
• 기존의 어떤 그래프 클러스터링 방법과도 호환 가능하게 하여, 미결합 환경에서의 강건성을 향상시키기 위해.

제안 방법

• 로컬 및 글로벌 구조를 유지하는 유연한 그래프 클러스터링 알고리즘을 사용해 각 뷰에 대해 개별 그래프를 구축한다.
• 서로 다른 거리 공간에 있는 뷰 간 데이터를 정렬하기 위해 공유된 공간을 설정하여 뷰 간 비교를 가능하게 한다.
• 구조 유사성에 기반해 교차 뷰 대응을 개선하기 위해 이중 스토하스틱 투사가 적용된 투사 고정점 방법을 적용한다.
• 재구성 손실 기반의 뷰 선택 전략(RCM)을 사용하여 정렬에 가장 유용한 뷰를 식별한다.
• 개선된 대응을 바탕으로 그래프 융합을 수행하여 클러스터링을 위한 공통 그래프를 생성한다.
• 재구성 손실에 기반한 뷰 가중 전략을 사용해 다양한 뷰에 동적으로 중요도를 할당한다.

실험 결과

연구 질문

• RQ1 사전 정의된 정렬에 의존하지 않고 완전히 및 부분적으로 미결합된 다중 뷰 클러스터링을 효과적으로 처리할 수 있는 파라미터 없는 프레임워크는 존재하는가?
• RQ2 결합된 데이터가 없는 상황에서 각 뷰의 구조 정보를 통합하면 교차 뷰 대응 학습에 어떤 영향을 미치는가?
• RQ3 뷰 선택 및 가중 전략은 미결합 환경에서 클러스터링 성능에 어떤 영향을 미치는가?
• RQ4 구조 일치가 특징만 정렬하는 것보다 다중 뷰 클러스터링에서 얼마나 더 우수한 성능을 내는가?
• RQ5 제안된 최적화 프레임워크는 다양한 데이터셋과 미결합 비율에서 얼마나 안정적이고 수렴하는가?

주요 결과

• UPMGC-SM은 높은 교차 뷰 정렬 정확도를 달성하였으며, 3Sources 데이터셋에서 MACC@10이 80%를 초과하고 50회 반복 이내에서 안정적으로 유지된다.
• 프레임워크는 결합된 데이터셋과 미결합 데이터셋 모두에서 뛰어난 클러스터링 성능을 보이며, 대부분의 벤치마크에서 최신 기술보다 뛰어난 성능을 발휘한다.
• 목적 함수는 단조롭게 감소하며 50회 반복 이내에 수렴함을 보여, 안정적인 최적화를 확인한다.
• 최소 재구성 손실 기반의 뷰 선택 전략(RCM)은 아홉 개의 벤치마크 데이터셋 전반에서 일관되게 성능 향상을 이룬다.
• 학습된 뷰 계수는 희박하지 않으며 뷰 간으로 다양하게 변화함을 확인하여 보완 정보의 효과적인 통합을 증명한다.
• 뷰 가중 전략은 대부분의 데이터셋에서 클러스터링 결과를 크게 향상시키며, 일부에서는 유사한 성능을 유지함으로써 강건성과 적응성의 우수함을 입증한다.