表現からクラスタへ：属性付きハイパーグラフクラスタリングのためのコントラスト学習アプローチ

概要: コントラスト学習は属性付きハイパーグラフクラスタリングにおいて強力な性能を示している。通常、既存のコントラスト学習に基づく手法は、まずノードの埋め込みを学習し、次にk-meansなどのクラスタリングアルゴリズムをこれらの埋め込みに適用してクラスタリング結果を得る。しかし、これらの手法は直接的なクラスタリングの教師情報を欠いており、学習されたグラフにクラスタリングに無関係な情報が含まれるリスクがある。これに対して我々は、属性付きハイパーグラフクラスタリングのためのコントラスト学習アプローチ（CAHC）を提案する。CAHCはエンドツーエンドの手法であり、ノードの埋め込みを同時に学習しクラスタリング結果を得る。CAHCは主に二つのステップから構成される：表現学習とクラスタ割当学習である。表現学習では、ノードレベル及びハイパーエッジレベル両方の目的を組み込んだ新しいコントラスト学習アプローチを用いてノード埋め込みを生成する。クラスタ割当学習では、クラスタリング指向の指導により埋め込みとクラスタリングの最適化を共同で行い、同時にクラスタリング結果を得る。広範な実験結果より、CAHCは8つのデータセットにおいてベースラインを上回る性能を示すことが確認された。