教師なしグラフクラスタリングは、大規模ネットワーク内の潜在的な意味パターンを発見するための基本技術である。グラフ対比学習は有望な性能を示しているが、既存手法はミニバッチ訓練中に「構造的孤立」問題に悩まされている。各バッチが局所的な部分グラフのみを含むため、大域的なトポロジー分布を特徴づける凝集的なコミュニティ構造を捉えることが難しい。この課題に対処するため、Jingyun ZhangらはSCISE（スケーラブルな教師なしグラフクラスタリングフレームワーク）を提案した。これはコミュニティ認識サンプリングと制約付き構造エントロピーを相乗的に利用し、構造的完全性を維持する。本成果はデータベース分野のトップ国際会議VLDB 2026に採択されている。
SCISEは三つの中核モジュールから構成される。第一に、構造エントロピーコミュニティ制約演算子（SECC）は、制約付き解空間内で構造情報を最適化し、構造エントロピーを最小化することでコミュニティの断片化を抑止し分割の凝集性を高める。構造エントロピーはグラフ構造の不確実性を測る指標であり、SECCは解空間に制約を課すことで、分割結果が大域的なトポロジー則に従うことを保証する。第二に、コミュニティ認識サンプリング拡張（CSampE）機構は、バッチ訓練中の大域情報損失を防ぐ。従来のランダムサンプリングでは同一コミュニティのノードが異なるバッチに分散され、コミュニティ構造が破壊される可能性がある。CSampEは対象ノードのコミュニティコンテキストをサンプリングバッチに組み込むことで、構造的障壁を打破しトポロジー完全性を保持する。第三に、構造対比学習（StructCL）モジュールは、バッチ内の構造類似性に基づいてエッジ重みを調整し、エンコーダが高次構造空間で表現を学習するよう導く。これにより、深層的なコミュニティパターンを捉えることができる。
Cora、Citeseer、Pubmed、DBLP、Amazon Photos、Amazon Computersの6つの主流ベンチマークデータセットにおいて、SCISEはクラスタリング精度、正規化相互情報量などの指標で既存の最先端アルゴリズムを大幅に上回った。アブレーション研究では、SECCを除去すると性能が平均8%低下、CSampEを除去すると12%低下、StructCLを除去すると10%低下することが確認された。ロバスト性分析では、SCISEがノイズエッジや欠損エッジに対して良好な耐性を持ち、実世界の大規模グラフに適用可能であることが示された。コードとデータセットはGitHubで公開されており、研究者による再現が可能である。
SCISEはグラフクラスタリングにおける構造的孤立問題に新たな解決策を提供し、コミュニティ認識サンプリングと構造エントロピー制約の組み合わせにより、大規模グラフデータに対するスケーラブルな解決策を実現した。今後の研究では、SCISEを動的グラフやマルチモーダルグラフへ拡張することが期待される。