그래프 신경망 기반 딥 k-평균 노드 클러스터링 (Deep k-Means Node Clustering Based on Graph Neural Networks)

서지정보

· 발행기관 : 한국정보과학회
· 수록지 정보 : 정보과학회논문지 / 50권 / 12호 / 1153 ~ 1162페이지
· 저자명 : 신혜수, 이기용

초록

최근 그래프 신경망(graph neural network, GNN)을 사용한 그래프 노드 클러스터링(node clustering) 기법들이 활발히 연구되고 있다. 이들 연구 대부분은 GNN으로 노드들을 저차원 벡터들로 임베딩(embedding)한 뒤, 이 임베딩 벡터들을 기존의 클러스터링 알고리즘으로 클러스터링한다. 하지만 이 방식은 GNN을 훈련시킬 때 클러스터링이라는 최종 목표를 전혀 고려하지 않기 때문에 최적의 클러스터링 결과를 낸다고 보기 어렵다. 따라서 본 논문은 k-평균 클러스터링이라는 최종 목표를 고려하여 GNN을 반복적으로 훈련시키고 그 결과로 얻어진 노드들의 임베딩 벡터들로 노드들을 k-평균 클러스터링하는 딥 k-평균 클러스터링 기법을 제안한다. 제안 방법은 GNN을 훈련시킬 때 노드들의 유사도뿐만 아니라 k-평균 클러스터링의 손실까지 고려한다. 실데이터를 사용한 실험 결과 제안 방법은 기존 방법에 비해 k-평균 클러스터링 결과의 품질을 향상함을 확인하였다.

영어초록

Recently, graph node clustering techniques using graph neural networks (GNNs) have been actively studied. Notably, most of these studies use a GNN to embed each node into a low-dimensional vector and then cluster the embedding vectors using the existing clustering algorithms. However, since this approach does not consider the final goal of clustering when training the GNN, it is difficult to say that it produces optimal clustering results. Therefore, in this paper, we propose a deep k-means clustering method that iteratively trains a GNN considering the final goal of k-means clustering and performs k-means clustering on the embedding vectors generated by the trained GNN. The proposed method considers both the similarity between nodes and the loss of k-means clustering when training a GNN. Experimental results using real datasets confirmed that the proposed method improves the quality of k-means clustering results compared to the existing methods.

참고자료

· 없음