Naukowcy z dziedziny machine learning opracowali SCISE - skalowaną metodę do nienadzorowanego grupowania grafów, która skutecznie rozwiązuje problem izolacji strukturalnej powstający podczas trenowania na mini-batchach. Problem polegał na tym, że istniejące metody oparte na Graph Contrastive Learning traciły informacje o globalnej topologii sieci podczas pracy na małych partiach danych, co prowadziło do fragmentacji wspólnot i utraty spójności struktur.
Rozwiązanie SCISE opiera się na trzech kluczowych komponentach. Pierwszy to operator SECC (Structural Entropy Community Constraint), który optymalizuje informacje strukturalne w ograniczonej przestrzeni rozwiązań, zmniejszając fragmentację wspólnot i poprawiając spójność podziału. Drugi element to mechanizm CSampE (Community-Aware Sampling Expansion), który włącza kontekst społeczności węzłów docelowych do próbek treningowych, efektywnie przełamując bariery strukturalne i zachowując integralność topologiczną. Trzeci to moduł StructCL (Structural Contrastive Learning), który ulepszza wagi krawędzi na podstawie podobieństwa strukturalnego wewnątrz batchu, kierując encoder do nauki reprezentacji w wyższej przestrzeni strukturalnej.
Metoda została oceniona na sześciu głównych zbiorach danych benchmarkowych z obiecującymi wynikami. Podejście jest szczególnie istotne dla zastosowań wymagających pracy z bardzo dużymi sieciami społecznościowymi, biologicznymi czy poznawczymi, gdzie zachowanie struktury wspólnot jest kluczowe dla zrozumienia rzeczywistych wzorców i relacji w danych.