Overbrugging tussen Academie en Industrie: Een Uitgebreide Benchmark voor Toegeschreven Grafclusteren

Samenvatting

Toegekende Grafclusteren (AGC) is een fundamentele onbewaakte taak die structurele topologie en knooppuntkenmerken integreert om latente patronen in grafgestructureerde gegevens te ontdekken. Ondanks het belang ervan in industriële toepassingen zoals fraude detectie en gebruikerssegmentatie, blijft er een significante kloof bestaan tussen academisch onderzoek en praktische implementatie. Huidige evaluatieprotocollen lijden onder kleinschalige, hoog-homofiele citatiedatasets, niet-schaalbare volledige-batch trainingsparadigma's, en een afhankelijkheid van bewaakte metrieken die de prestaties in label-arme omgevingen niet weerspiegelen. Om deze kloven te overbruggen, presenteren we PyAGC, een uitgebreid, productiegereed benchmark en bibliotheek ontworpen om AGC-methoden stresstests te laten ondergaan over diverse schalen en structurele eigenschappen. We verenigen bestaande methodologieën in een modulair Encodeer-Cluster-Optimaliseer raamwerk en bieden voor het eerst geheugenefficiënte, mini-batch implementaties voor een breed scala aan state-of-the-art AGC-algoritmen. Onze benchmark bevat 12 diverse datasets, variërend van 2.7K tot 111M knopen, en omvat specifiek industriële grafieken met complexe tabelkenmerken en lage homofilie. Verder pleiten we voor een holistisch evaluatieprotocol dat onbewaakte structurele metrieken en efficiëntieprofiling naast traditionele bewaakte metrieken verplicht stelt. Dit benchmark, beproefd in hoog-risico industriële workflows bij Ant Group, biedt de gemeenschap een robuus, reproduceerbaar en schaalbaar platform om AGC-onderzoek richting realistische implementatie te bevorderen. De code en bronnen zijn publiekelijk beschikbaar via GitHub (https://github.com/Cloudy1225/PyAGC), PyPI (https://pypi.org/project/pyagc), en Documentatie (https://pyagc.readthedocs.io).

English

Attributed Graph Clustering (AGC) is a fundamental unsupervised task that integrates structural topology and node attributes to uncover latent patterns in graph-structured data. Despite its significance in industrial applications such as fraud detection and user segmentation, a significant chasm persists between academic research and real-world deployment. Current evaluation protocols suffer from the small-scale, high-homophily citation datasets, non-scalable full-batch training paradigms, and a reliance on supervised metrics that fail to reflect performance in label-scarce environments. To bridge these gaps, we present PyAGC, a comprehensive, production-ready benchmark and library designed to stress-test AGC methods across diverse scales and structural properties. We unify existing methodologies into a modular Encode-Cluster-Optimize framework and, for the first time, provide memory-efficient, mini-batch implementations for a wide array of state-of-the-art AGC algorithms. Our benchmark curates 12 diverse datasets, ranging from 2.7K to 111M nodes, specifically incorporating industrial graphs with complex tabular features and low homophily. Furthermore, we advocate for a holistic evaluation protocol that mandates unsupervised structural metrics and efficiency profiling alongside traditional supervised metrics. Battle-tested in high-stakes industrial workflows at Ant Group, this benchmark offers the community a robust, reproducible, and scalable platform to advance AGC research towards realistic deployment. The code and resources are publicly available via GitHub (https://github.com/Cloudy1225/PyAGC), PyPI (https://pypi.org/project/pyagc), and Documentation (https://pyagc.readthedocs.io).

Overbrugging tussen Academie en Industrie: Een Uitgebreide Benchmark voor Toegeschreven Grafclusteren

Bridging Academia and Industry: A Comprehensive Benchmark for Attributed Graph Clustering

Samenvatting

Support