🤖 machine learning

Breaking Structural Isolation: Scalable Graph Clustering via Community-Aware Sampling and Structural Entropy

यह शोध पत्र SCISE का प्रस्ताव करता है, जो एक स्केलेबल अनसुपरवाइज्ड ग्राफ क्लस्टरिंग फ्रेमवर्क है जो ग्लोबल टोपोलॉजिकल इंटीग्रिटी को बनाए रखने के लिए एक स्ट्रक्चरल एंट्रॉपी कम्युनिटी कंस्ट्रेंट, एक कम्युनिटी-अवेयर सैंपलिंग एक्सपेंशन मैकेनिज्म और एक स्ट्रक्चरल कॉन्ट्रास्टिव लर्निंग मॉड्यूल को एकीकृत करके मिनी-बैच ट्रेनिंग में "स्ट्रक्चरल आइसोलेशन" की समस्या को दूर करता है और स्टेट-ऑफ-द-आर्ट एल्गोरिदम से काफी बेहतर प्रदर्शन करता है।

मूल लेखक: Jingyun Zhang, Hao Peng, Jianxin Li, Angsheng Li, Philip S. Yu

प्रकाशित 2026-07-08

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jingyun Zhang, Hao Peng, Jianxin Li, Angsheng Li, Philip S. Yu

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके पास एक विशाल, अराजक पुस्तकालय है जिसमें लाखों पुस्तकें (नोड्स) हैं जो अदृश्य धागों से एक-दूसरे से जुड़ी हुई हैं, जो यह दर्शाते हैं कि वे एक-दूसरे से कैसे संबंधित हैं (एजेस)। आपका लक्ष्य इन पुस्तकों को उनकी सामग्री और संबंधों के आधार पर अलग-अलग वर्गों (समुदायों) में व्यवस्थित करना है, लेकिन आपके पास कोई लाइब्रेरियन गाइड (लेबल) नहीं है जो आपको बता सके कि वे कहाँ होनी चाहिए।

यह अनसुपरवाइज्ड ग्राफ क्लस्टरिंग (unsupervised graph clustering) की चुनौती है। यह शोध पत्र एक नए तरीके का परिचय देता है जिसे SCISE कहा जाता है, ताकि एक विशिष्ट समस्या को हल किया जा सके जो तब आती है जब आप कंप्यूटर का उपयोग करके इस पुस्तकालय को व्यवस्थित करने की कोशिश करते हैं: "स्ट्रक्चरल आइसोलेशन" (संरचनात्मक अलगाव)।

यहाँ समस्या और समाधान का सरल विवरण दिया गया है, जिसमें रोजमर्रा के उपमाओं (analogies) का उपयोग किया गया है।

समस्या: "मिनी-ग्रुप" का जाल

कल्पना कीजिए कि आप इस पुस्तकालय को व्यवस्थित करने की कोशिश कर रहे हैं, लेकिन आपको एक बार में केवल कुछ ही पुस्तकों को देखने की अनुमति है (एक "मिनी-बैच") ताकि ऊर्जा और मेमोरी बचाई जा सके।

पुराना तरीका: आप किताबों का एक रैंडम समूह उठाते हैं। क्योंकि आप केवल एक छोटा सा हिस्सा देख रहे हैं, इसलिए हो सकता है कि आप "स्पेस" (अंतरिक्ष) के बारे में एक किताब और "कुकिंग" (खाना पकाने) के बारे में एक किताब उठा लें, सिर्फ इसलिए क्योंकि वे शेल्फ पर एक-दूसरे के बगल में रखी हैं। आप इस तथ्य को भूल जाते हैं कि वह "स्पेस" वाली किताब एक विशाल "साइंस" सेक्शन का हिस्सा है और "कुकिंग" वाली किताब एक "फूड" सेक्शन का हिस्सा है।
परिणाम: कंप्यूटर भ्रमित हो जाता है। वह इन रैंडम किताबों को एक समुदाय समझ लेता है क्योंकि यही एकमात्र किताबें हैं जिन्हें वह देख पा रहा है। वह इस बात को खो देता है कि पूरा पुस्तकालय कैसे व्यवस्थित है। इसे ही स्ट्रक्चरल आइसोलेशन (Structural Isolation) कहते हैं—कंप्यूटर पूरे महाद्वीप के बजाय केवल अलग-थलग द्वीपों को देख रहा है।

समाधान: SCISE

लेखक SCISE (Scalable unsupervised graph Clustering framework that preserves structural Integrity) का प्रस्ताव देते हैं। इसे एक स्मार्ट लाइब्रेरियन के रूप में सोचें जो "मिनी-ग्रुप" के जाल को ठीक करने के लिए तीन विशेष उपकरणों का उपयोग करता है।

1. "ब्लूप्रिंट" टूल (SECC)

शुरुआत करने से पहले, कंप्यूटर पुस्तकालय के प्रमुख वर्गों का एक मोटा नक्शा बनाता है।

यह कैसे काम करता है: यह स्ट्रक्चरल एंट्रॉपी (Structural Entropy) नामक गणितीय अवधारणा का उपयोग करता है (इसे एक समूह के कितना "अव्यवस्थित" या "व्यवस्थित" होने को मापने के रूप में समझें)।
ट्विस्ट: आमतौर पर, यह गणित बहुत सारे छोटे, बेकार समूह बना सकता है (जैसे हर किताब को अपने अलग बॉक्स में रखना)। SCISE एक नियम जोड़ता है: "तब तक रुकें जब तक आपके पास ठीक X संख्या में प्रमुख खंड न हों।"
उपमा: कंप्यूटर को यह अनुमान लगाने देने के बजाय कि कितनी अलमारियाँ बनानी हैं, यह उसे ठीक 50 बड़ी, मजबूत अलमारियाँ बनाने के लिए मजबूर करता है। यह कंप्यूटर को छोटे, अर्थहीन विवरणों में खो जाने से रोकता है और यह सुनिश्चित करता है कि समूह इतने बड़े हों कि वे समझ में आ सकें।

2. "कॉन्टेक्स्ट" टूल (CSampE)

यह वह टूल है जो "मिनी-ग्रुप" के जाल को ठीक करता है।

यह कैसे काम करता है: जब कंप्यूटर किसी किताब का अध्ययन करने के लिए चुनता है, तो वह केवल उस एक किताब को नहीं पकड़ता। वह "ब्लूप्रिंट" (चरण 1 से) को देखता है और कहता है, "आह, यह किताब 'साइंस' सेक्शन की है। चलिए मिलकर अध्ययन करने के लिए पूरा 'साइंस' सेक्शन (या उसका एक प्रतिनिधि हिस्सा) लेते हैं।"
उपमा: कल्पना कीजिए कि आप एक फिल्म के एक विशिष्ट पात्र को समझने की कोशिश कर रहे हैं। केवल एक दृश्य देखने के बजाय, आप वह पूरा एपिसोड देखते हैं जहाँ वह पात्र दिखाई देता है। इस "समुदाय" को छोटे अध्ययन समूह में लाकर, कंप्यूटर पूरा संदर्भ (context) देख पाता है। उसे समझ आता है, "ओह, यह किताब एक बड़े साइंस परिवार का हिस्सा है," बजाय इसके कि वह इसे एक अलग-थलग वस्तु समझे।

3. "रिफाइनमेंट" टूल (StructCL)

अब जब कंप्यूटर के पास समूहों का एक अच्छा संग्रह है, तो उसे यह सीखना होगा कि वे वास्तव में एक-दूसरे से कैसे संबंधित हैं।

यह कैसे काम करता है: कंप्यूटर अपने समूह की किताबों को देखता है और पूछता है, "इनमें से कौन सी किताबें वास्तव में एक-दूसरे से सबसे अधिक बात करती हैं?" यह कनेक्शन का एक नया, अधिक मजबूत नक्शा बनाता है (रैंड वॉक का उपयोग करके, जैसे पुस्तकालय में घूमता हुआ व्यक्ति)।
उपमा: यह एक शिक्षक की तरह है जो एक स्टडी ग्रुप को देखता है और कहता है, "तुम दोनों साथ बैठे हो, लेकिन तुम वास्तव में एक-दूसरे को नहीं जानते। लेकिन तुम और वह दूसरा छात्र आपस में लगातार बात करते हो।" शिक्षक फिर बैठने की व्यवस्था को इस तरह बदल देता है कि जो लोग वास्तव में जुड़ते हैं, उन्हें एक-दूसरे के करीब रखा जा सके। इससे कंप्यूटर वास्तविक संरचना को सीख पाता है, न कि केवल रैंडम शोर (noise) को।

यह क्यों महत्वपूर्ण है

लेखकों ने इस तरीके का परीक्षण छह अलग-अलग "लाइब्रेरीज़" (डेटासेट्स) पर किया, जिनमें छोटी (जैसे स्थानीय सामुदायिक नेटवर्क) से लेकर विशाल (जैसे लाखों नोड्स वाला Ogbn-products नेटवर्क) तक शामिल थे।

परिणाम: SCISE अन्य सभी उपलब्ध तरीकों की तुलना में किताबों को व्यवस्थित करने में बेहतर था।
गति: लाखों नोड्स के साथ भी, इसने क्रैश नहीं किया या मेमोरी की कमी का सामना नहीं किया। इसने पूरे पुस्तकालय को एक साथ देखे बिना "बड़ी तस्वीर" को ध्यान में रखने में सफलता प्राप्त की।
मजबूती (Robustness): भले ही प्रारंभिक "ब्लूप्रिंट" (नक्शा) थोड़ा गलत था या यदि पुस्तकालय में कुछ किताबें गायब थीं (स्पार्स कनेक्शन), SCISE ने फिर भी शानदार काम किया।

सारांश

SCISE विशाल नेटवर्क को व्यवस्थित करने का एक स्मार्ट तरीका है। यह कंप्यूटर के "टनल विजन" (सीमित दृष्टि) की समस्या को हल करता है:

बड़े समूहों को परिभाषित करने के लिए पहले एक मोटा नक्शा बनाना (SECC)।
दृष्टिकोण का विस्तार करना ताकि कंप्यूटर केवल एक घर नहीं, बल्कि पूरा मोहल्ला देख सके (CSampE)।
कनेक्शन को परिष्कृत करना ताकि यह सुनिश्चित हो सके कि समूह वास्तव में सुसंगत हैं (StructCL)।

परिणामस्वरूप, यह एक ऐसा सिस्टम है जो विवरणों में खोए बिना विशाल, जटिल डेटा में छिपे पैटर्न को खोज सकता है।

तकनीकी सारांश: स्केलेबल ग्राफ क्लस्टरिंग में संरचनात्मक अलगाव को तोड़ना

1. समस्या विवरण (Problem Statement)

अनसुपरवाइज्ड ग्राफ क्लस्टरिंग बड़े पैमाने के नेटवर्क में अर्थपूर्ण पैटर्न को उजागर करने के लिए आवश्यक है। जबकि ग्राफ कंट्रास्टिव लर्निंग (GCL) ने आशाजनक परिणाम दिखाए हैं, मौजूदा विधियाँ एक महत्वपूर्ण बाधा का सामना करती हैं जिसे मिनी-बैच प्रशिक्षण के दौरान "संरचनात्मक अलगाव" (structural isolation) कहा जाता है। पारंपरिक सैंपलिंग रणनीतियाँ (रैंडम या स्थानीय पड़ोस-आधारित) अक्सर वैश्विक सामुदायिक संदर्भों (global community contexts) को काट देती हैं, जिससे सुसंगत अर्थपूर्ण क्लस्टर्स अलग-अलग बैचों में विभाजित हो जाते हैं। यह अलगाव मॉडलों को वैश्विक टोपोलॉजिकल वितरण को कैप्चर करने से रोकता है, जिससे खंडित प्रतिनिधित्व (fragmented representations) बनते हैं जो अंतर्निहित संरचनात्मक संगठन को प्रतिबिंबित करने में विफल रहते हैं। इसके अलावा, मौजूदा स्ट्रक्चर-अवेयर विधियाँ अक्सर शोर वाले, अपरिष्कृत ग्राफ सांख्यिकी पर निर्भर करती हैं, जबकि कंट्रास्टिव फ्रेमवर्क में सैंपलिंग-प्रेरित विखंडन की भरपाई करने वाले तंत्रों की कमी होती है। मुख्य चुनौती कंप्यूटेशनल स्केलेबिलिटी (जिसके लिए मिनी-बैच प्रोसेसिंग की आवश्यकता होती है) और संरचनात्मक अखंडता (जिसके लिए वैश्विक सामुदायिक जागरूकता की आवश्यकता होती है) के बीच के संतुलन को साधना है।

2. कार्यप्रणाली: SCISE फ्रेमवर्क (Methodology: The SCISE Framework)

लेखक SCISE (Scalable unsupervised graph Clustering framework preserving structural Integrity) का प्रस्ताव करते हैं, जो कम्युनिटी-अवेयर सैंपलिंग और कंस्ट्रेंड स्ट्रक्चरल एंट्रॉपी को एक साथ लाता है। यह फ्रेमवर्क दो चरणों में कार्य करता है: प्रीप्रोसेसिंग और रिप्रेजेंटेशन लर्निंग।

2.1 स्ट्रक्चरल एंट्रॉपी कम्युनिटी कंस्ट्रेंट (SECC)

ग्रिडी स्ट्रक्चरल एंट्रॉपी मिनिमाइजेशन में सामान्य ओवर-सेगमेंटेशन और लोकल ऑप्टिमा की समस्या को हल करने के लिए, SCISE एक कम्युनिटी कार्डिनैलिटी कंस्ट्रेंट पेश करता है।

तंत्र (Mechanism): जब तक एंट्रॉपी में कमी संभव न हो, तब तक नोड्स को मर्ज करने के बजाय, SECC एक लक्षित कम्युनिटी संख्या ( $N_{comm}$ ) द्वारा परिभाषित एक बाउंडेड सॉल्यूशन स्पेस के भीतर स्ट्रक्चरल एंट्रॉपी को अनुकूलित करता है।
प्रक्रिया (Process): यह सिंगलटन कम्युनिटीज के साथ शुरू होता है और स्ट्रक्चरल एंट्रॉपी परिवर्तनों ( $\Delta H$ ) के आधार पर जोड़ों को इटरेटिव रूप से मर्ज करता है। यदि लक्षित संख्या प्राप्त नहीं हुई है लेकिन कोई एंट्रॉपी-घटाने वाले जोड़े शेष नहीं हैं, तो एल्गोरिदम सटीक $N_{comm}$ सुसंगत समूहों में अभिसरण (convergence) सुनिश्चित करने के लिए सख्त डिसेंट कंडीशन को शिथिल कर देता है।
परिणाम (Outcome): यह डाउनस्ट्रीम कार्यों के लिए स्ट्रक्चरल प्रायर्स (structural priors) के रूप में कार्य करने वाले स्थिर कम्युनिटी एंकर्स का एक सेट बनाता है, जो अत्यधिक माइक्रो-कम्युनिटीज के निर्माण को रोकता है।

2.2 कम्युनिटी-अवेयर सैंपलिंग एक्सपेंशन (CSampE)

मिनी-बैच प्रशिक्षण के दौरान स्ट्रक्चरल आइसोलेशन को कम करने के लिए, CSampE सैंपल्ड नोड्स के प्रारंभिक बैच को एडेप्टिव रूप से विस्तारित करता है।

तंत्र (Mechanism): एक बैच में प्रत्येक सीड नोड के लिए, एल्गोरिदम उसकी संबंधित कम्युनिटी (SECC से प्राप्त) की पहचान करता है और उस कम्युनिटी के महत्वपूर्ण टोपोलॉजिकल स्ट्रक्चर को शामिल करने के लिए बैच का विस्तार करता है।
दोहरा ट्रैक रणनीति (Dual-Track Strategy):
- छोटी कम्युनिटीज ( $|c(v)| \le \theta$ ): एकल प्रशिक्षण चरण के भीतर स्थानीय टोपोलॉजी को पूरी तरह से बहाल करने के लिए फुल-कम्युनिटी एक्सपेंशन करता है।
- बड़ी कम्युनिटीज ( $|c(v)| > \theta$ ): कनेक्टिविटी को बनाए रखते हुए मेमोरी विस्फोट को रोकने के लिए कम्युनिटी के भीतर रैंडम वॉक निष्पादित करता है ताकि एक "स्ट्रक्चरल बैकबोन" (उच्च विज़िटेशन फ्रीक्वेंसी वाले नोड्स) निकाला जा सके।
परिणाम (Outcome): यह अलग-थलग नोड्स और उनके वैश्विक सामुदायिक संदर्भ के बीच के अंतर को पाटता है, जिससे स्थिर अनुकूलन के लिए आवश्यक टोपोलॉजिकल निरंतरता बहाल होती है।

2.3 स्ट्रक्चरल कंट्रास्टिव लर्निंग (StructCL)

क्वाड्रेटिक कंप्यूटेशनल लागत उठाए बिना रिप्रजेंटेशन को परिष्कृत करने के लिए, SCISE एक स्ट्रक्चरल कंट्रास्टिव लर्निंग मॉड्यूल का उपयोग करता है।

तंत्र (Mechanism): सभी नोड्स को कम्युनिटी में पॉजिटिव पेयर्स के रूप में मानने के बजाय, StructCL विस्तारित बैच के भीतर रैंडम वॉक विज़िटेशन फ्रीक्वेंसी के आधार पर एक स्ट्रक्चरल एफिनिटी मैट्रिक्स ( $A^*$ ) का निर्माण करता है।
लॉस फंक्शन (Loss Function): यह एक मल्टी-पॉजिटिव InfoNCE लॉस को परिभाषित करता है जहाँ पॉजिटिव पेयर्स $A^*$ में नॉन-जीरो एंट्रीज द्वारा निर्धारित होते हैं। यह एनकोडर को रॉ एडजेसेंसी के बजाय लेटेंट स्ट्रक्चरल सिमिलैरिटी के साथ एम्बेडिंग्स को संरेखित करने के लिए निर्देशित करता है।
परिणाम (Outcome): मॉडल उच्च-क्रम के स्ट्रक्चरल रिप्रजेंटेशन सीखता है जो स्वाभाविक रूप से कम्युनिटी टोपोलॉजी के प्रति जागरूक होते हैं, जिससे स्ट्रक्चरली समान नोड्स के बीच निरंतरता अधिकतम होती है।

2.4 समग्र अनुकूलन (Overall Optimization)

यह पाइपलाइन इन घटकों को एकीकृत करती है: SECC कम्युनिटी मैप्स बनाने के लिए ग्राफ को प्री-प्रोसेस करता है; CSampE प्रशिक्षण के दौरान मिनी-बैच को विस्तारित करता है; StructCL रिफाइंड स्ट्रक्चरल एफिनिटीज का उपयोग करके GCN एनकोडर को ऑप्टिमाइज़ करता है; और अंत में ग्लोबल एम्बेडिंग्स पर K-means क्लस्टरिंग लागू की जाती है।

3. प्रमुख योगदान (Key Contributions)

SCISE फ्रेमवर्क: एक स्केलेबल अनसुपरवाइज्ड क्लस्टरिंग फ्रेमवर्क जो कम्युनिटी-अवेयर सैंपलिंग और कंस्ट्रेंड स्ट्रक्चरल एंट्रॉपी के तालमेल के माध्यम से कंप्यूटेशनल दक्षता और स्ट्रक्चरल अखंडता को सामंजस्यपूर्ण बनाता है।
CSampE तंत्र: एक नवीन सैंपलिंग रणनीति जो वैश्विक सामुदायिक संदर्भों को मिनी-बैचेस में एडेप्टिव रूप से शामिल करके "स्ट्रक्चरल आइसोलेशन" को तोड़ती है, जिससे टोपोलॉजिकल निरंतरता प्रभावी रूप से बहाल होती है।
SECC ऑपरेटर: एक कंस्ट्रेंड स्ट्रक्चरल एंट्रॉपी ऑपरेटर जो स्पष्ट रूप से कम्युनिटी कॉम्पैक्टनेस को मापता है, विभाजन विखंडन (partition fragmentation) को कम करता है और अनुकूलतम कम्युनिटी संख्या के लिए व्यापक हाइपरपैरामीटर खोज की आवश्यकता के बिना वैश्विक सामुदायिक अखंडता सुनिश्चित करता है।
StructCL मॉड्यूल: एक कंट्रास्टिव लर्निंग दृष्टिकोण जो इंट्रा-बैच स्ट्रक्चरल सिमिलैरिटी के आधार पर एज वेट्स को परिष्कृत करता है, जिससे एनकोडर को उच्च-क्रम के स्ट्रक्चरल स्पेस में सीखने के लिए मार्गदर्शन मिलता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने मध्यम-स्केल से लेकर लाखों नोड्स तक के छह बेंचमार्क डेटासेट्स (Photo, Computers, Pubmed, Ogbn-arxiv, Reddit, Ogbn-products) पर SCISE का मूल्यांकन किया।

प्रदर्शन (Performance): SCISE ने सभी डेटासेट्स में 24 में से 21 मेट्रिक्स में स्टेट-ऑफ-द-आर्ट (SOTA) परिणाम प्राप्त किए, जो दस बेसलाइन्स (DGI, S3GC, DMoN, और MAGI सहित) से काफी बेहतर प्रदर्शन करता है। उल्लेखनीय सुधारों में Ogbn-arxiv पर NMI में 3.25% की वृद्धि और F1-स्कोर में 17.08% की वृद्धि शामिल है।
स्केलेबिलिटी (Scalability): कई प्रतिस्पर्धियों के विपरीत जो बड़े ग्राफ (जैसे, Reddit, Ogbn-products) पर आउट-ऑफ-मेमोरी (OOM) त्रुटियों का सामना करते हैं, SCISE कुशलतापूर्वक स्केल करता है। रनटाइम विश्लेषण दिखाता है कि ग्राफ के आकार के साथ विकास लगभग रैखिक है, और 2.45M नोड वाले ग्राफ के लिए पूरी पाइपलाइन 8 घंटे से कम समय में पूरी हो जाती है।
एब्लेशन स्टडीज (Ablation Studies): तीनों मुख्य घटकों (SECC, CSampE, StructCL) में से किसी को भी हटाने से प्रदर्शन में गिरावट आई। CSampE को बड़े पैमाने के ग्राफ के लिए सबसे महत्वपूर्ण घटक के रूप में पहचाना गया था, जिसके हटने से ARI (जैसे, Ogbn-arxiv पर 37.66% से 21.15% तक) में महत्वपूर्ण गिरावट आई।
मजबूती (Robustness):
- शोर (Noise): SCISE तब भी स्थिर रहा जब 20% कम्युनिटी प्रायर्स को रैंडमली करप्ट किया गया।
- स्पर्सिटी (Sparsity): फ्रेमवर्क ने गुणवत्ता बनाए रखी जब 80% तक किनारे (edges) हटा दिए गए, जो उन बेसलाइन्स से बेहतर प्रदर्शन करता है जो स्पार्स ग्राफ पर नाटकीय पतन का शिकार होते हैं।
- हाइपरपैरामीटर्स: मॉडल मर्ज स्पीड ( $p$ ), कम्युनिटी संख्या ( $N_{comm}$ ), और लर्निंग रेट के बदलावों के प्रति कम संवेदनशीलता प्रदर्शित करता है।

5. महत्व और दावे (Significance and Claims)

पेपर का दावा है कि SCISE बड़े पैमाने के ग्राफों के लिए मिनी-बैच प्रशिक्षण में निहित "स्ट्रक्चरल आइसोलेशन" के मुद्दे को प्रभावी ढंग से हल करता है। स्ट्रक्चरल एंट्रॉपी कंस्ट्रेंट्स को कम्युनिटी-अवेयर सैंपलिंग के साथ एकीकृत करके, फ्रेमवर्क स्केलेबिलिटी से समझौता किए बिना वैश्विक टोपोलॉजिकल जागरूकता को बनाए रखता है।

लेखक इस बात पर जोर देते हैं कि:

वैश्विक जागरूकता (Global Awareness): मौजूदा स्केलेबल विधियों के विपरीत, जो वैश्विक संदर्भ खो देती हैं, SCISE CSampE के माध्यम से टोपोलॉजिकल अखंडता बनाए रखता है, जिससे मॉडल को सुसंगत कम्युनिटी स्ट्रक्चर सीखने में मदद मिलती है।
व्यावहारिकता (Practicality): SECC प्रीप्रोसेसिंग स्टेप ट्रेनिंग समय की तुलना में नगण्य ओवरहेड (सेकंड से मिनट) पेश करता है, जिससे मिलियन-नोड ग्राफ पर वास्तविक दुनिया के परिनियोजन के लिए यह फ्रेमवर्क व्यवहार्य हो जाता है।
मजबूती (Robustness): फ्रेमवर्क शोर वाले कम्युनिटी प्रायर्स और ग्राफ स्पर्सिफिकेशन के प्रति मजबूत है, जो यह सुझाव देता है कि कम्युनिटी-अवेयर स्ट्रक्चरल गाइडेंस अनसुपरवाइज्ड लर्निंग के लिए एक शक्तिशाली, लचीला तंत्र है।

कार्य यह निष्कर्ष निकालता है कि बड़े पैमाने पर उच्च-प्रदर्शन ग्राफ क्लस्टरिंग के लिए कम्युनिटी-लेवल स्ट्रक्चरल जानकारी को एकीकृत करना मौलिक है, और विश्वसनीय स्ट्रक्चरल प्रायर्स सैंपलिंग-प्रेरित सूचना हानि को प्रभावी ढंग से कम कर सकते हैं। भविष्य के कार्य के रूप में इन तकनीकों को अल्ट्रा-लार्ज बेंचमार्क्स (जैसे, Ogbn-papers100M) तक विस्तारित करने और एडेप्टिव सैंपलिंग रणनीतियों को विकसित करने का प्रस्ताव दिया गया है।