動的グラフクラスタリングのためのノードの役割に基づくLLMs

Abstract

動的グラフクラスタリングは、動的グラフにおける時変クラスターを検出・追跡することを目的とし、複雑な現実世界のシステムが時間とともにどのように進化していくかを明らかにします。しかし、既存の手法は主にブラックボックスモデルです。クラスタリングの決定における解釈性が欠如しており、なぜクラスタが形成されるのか、またどのように進化するのかといった意味論的な説明を提供できず、安全性が重要な領域であるヘルスケアや交通といった分野での利用を著しく制限しています。これらの制限に対処するため、学習可能なプロトタイプを介して連続的なグラフ埋め込みを離散的な意味概念へ写像する、エンドツーエンドの解釈可能なフレームワークを提案します。具体的には、ノード表現を直交する役割サブスペースとクラスタリングサブスペースに分解し、同じような役割を持つノード（例：ハブ、ブリッジ）であっても異なるクラスタ所属を持つ場合には適切に識別できるようにします。次に、役割サブスペースに5つのノード役割プロトタイプ（リーダー、貢献者、放浪者、コネクター、新参者）を意味的アンカーとして導入し、連続的な埋め込みを離散的な概念へ変換して、大規模言語モデル（LLM）がコミュニティ内のノードの役割を理解するのを容易にします。最後に、階層的な大規模言語モデル（LLM）推論機構を設計し、クラスタリング結果と自然言語による説明の両方を生成しつつ、ノード表現を洗練させるための弱い教師信号として一貫性のフィードバックを提供します。4つの合成ベンチマークと6つの実世界ベンチマークにおける実験結果は、DyG-RoLLM の有効性・解釈性・堅牢性を示しています。コードは https://github.com/Clearloveyuan/DyG-RoLLM で公開されています。