論文の概要: Multi-Label Graph Convolutional Network Representation Learning
- arxiv url: http://arxiv.org/abs/1912.11757v1
- Date: Thu, 26 Dec 2019 02:52:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-10 08:29:14.717342
- Title: Multi-Label Graph Convolutional Network Representation Learning
- Title（参考訳）: マルチラベルグラフ畳み込みネットワーク表現学習
- Authors: Min Shi, Yufei Tang, Xingquan Zhu and Jianxun Liu
- Abstract要約: マルチラベルネットワークのためのノード表現学習のための新しいマルチラベルグラフ畳み込みネットワーク(ML-GCN)を提案する。
2つのGCNはそれぞれノードとラベルの表現学習の1つの側面を扱い、1つの目的関数の下でシームレスに統合される。
- 参考スコア（独自算出の注目度）: 20.059242373860013
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowledge representation of graph-based systems is fundamental across many
disciplines. To date, most existing methods for representation learning
primarily focus on networks with simplex labels, yet real-world objects (nodes)
are inherently complex in nature and often contain rich semantics or labels,
e.g., a user may belong to diverse interest groups of a social network,
resulting in multi-label networks for many applications. The multi-label
network nodes not only have multiple labels for each node, such labels are
often highly correlated making existing methods ineffective or fail to handle
such correlation for node representation learning. In this paper, we propose a
novel multi-label graph convolutional network (ML-GCN) for learning node
representation for multi-label networks. To fully explore label-label
correlation and network topology structures, we propose to model a multi-label
network as two Siamese GCNs: a node-node-label graph and a label-label-node
graph. The two GCNs each handle one aspect of representation learning for nodes
and labels, respectively, and they are seamlessly integrated under one
objective function. The learned label representations can effectively preserve
the inner-label interaction and node label properties, and are then aggregated
to enhance the node representation learning under a unified training framework.
Experiments and comparisons on multi-label node classification validate the
effectiveness of our proposed approach.
- Abstract（参考訳）: グラフベースのシステムの知識表現は多くの分野において基本的なものである。
しかし、現実世界のオブジェクト(ノード)は本質的に複雑であり、しばしばリッチな意味論やラベルを含んでいる。例えば、ユーザはソーシャルネットワークの様々な関心グループに属し、多くのアプリケーションでマルチラベルネットワークとなる。
マルチラベルネットワークノードは、各ノードに複数のラベルを持つだけでなく、これらのラベルは、しばしば高い相関関係にあり、既存の手法がノード表現学習において非効率であるか、あるいはそのような相関を処理できない。
本稿では,マルチラベルネットワークのためのノード表現学習のための新しいマルチラベルグラフ畳み込みネットワーク(ML-GCN)を提案する。
本稿では,ラベル-ラベル相関とネットワークトポロジ構造について,ノード-ラベルグラフとラベル-ラベル-ノードグラフという2つのSiamese GCNとしてモデル化する。
2つのGCNはそれぞれノードとラベルの表現学習の1つの側面を扱い、1つの目的関数の下でシームレスに統合される。
学習されたラベル表現は、インナーラベルインタラクションとノードラベルプロパティを効果的に保存することができ、統合トレーニングフレームワークの下でノード表現学習を強化するために集約される。
マルチラベルノード分類の実験と比較により,提案手法の有効性が検証された。
関連論文リスト
- Correlation-Aware Graph Convolutional Networks for Multi-Label Node Classification [32.4968073593255]
マルチラベルノード分類のための相関対応グラフ畳み込みネットワーク(CorGCN)を提案する。
CorGCNは新しい相関対応グラフ分解モジュールを導入することで、ラベルごとにリッチなラベル関連情報を含むグラフを学習できる。
論文 参考訳（メタデータ） (2024-11-26T11:52:47Z) - A data-centric approach for assessing progress of Graph Neural Networks [7.2249434861826325]
グラフニューラルネットワーク(GNN)はノード分類タスクにおいて最先端の結果を得た。
主な改善点はマルチクラスの分類であり、各ノードが複数のラベルを持つ場合に焦点を当てない。
マルチラベルノード分類を研究する上での第一の課題は、公開データセットの不足である。
論文 参考訳（メタデータ） (2024-06-18T09:41:40Z) - KMF: Knowledge-Aware Multi-Faceted Representation Learning for Zero-Shot
Node Classification [75.95647590619929]
Zero-Shot Node Classification (ZNC)は、グラフデータ分析において、新しく重要なタスクである。
ラベルセマンティクスの豊かさを向上する知識認識型多面的フレームワーク(KMF)を提案する。
ノード情報集約によるプロトタイプドリフトの問題を軽減するために,新しい幾何学的制約を開発した。
論文 参考訳（メタデータ） (2023-08-15T02:38:08Z) - Contrastive Meta-Learning for Few-shot Node Classification [54.36506013228169]
少ないショットノード分類は、限定されたラベル付きノードのみを参照としてグラフ上のノードのラベルを予測することを目的としている。
グラフ上にCOSMICという新しい対照的なメタラーニングフレームワークを2つの重要な設計で作成する。
論文 参考訳（メタデータ） (2023-06-27T02:22:45Z) - Label-Enhanced Graph Neural Network for Semi-supervised Node
Classification [32.64730237473914]
グラフニューラルネットワーク(GNN)のためのラベル強化学習フレームワークを提案する。
まず、各ラベルをクラス内のノードの仮想センターとしてモデル化し、次にノードとラベルの両方の表現を共同で学習する。
提案手法は,同一クラスに属するノードの表現を円滑に行うだけでなく,ラベルセマンティクスをGNNの学習プロセスに明示的にエンコードする。
論文 参考訳（メタデータ） (2022-05-31T09:48:47Z) - Graph Attention Transformer Network for Multi-Label Image Classification [50.0297353509294]
複雑なラベル間関係を効果的にマイニングできる多ラベル画像分類のための一般的なフレームワークを提案する。
提案手法は3つのデータセット上で最先端の性能を実現することができる。
論文 参考訳（メタデータ） (2022-03-08T12:39:05Z) - Dynamic Labeling for Unlabeled Graph Neural Networks [34.65037955481084]
グラフニューラルネットワーク(GNN)はそのアイデンティティ、タイプ、コンテンツによってノードをベクトルとして表現するためにノードの埋め込みに依存している。
既存のGNNは、ランダムなラベルをノードに割り当てるか、1つの埋め込みをすべてのノードに割り当てる。
本稿では,グラフ分類とノード分類という2種類の分類タスクにおける既存手法の限界を解析する。
論文 参考訳（メタデータ） (2021-02-23T04:30:35Z) - Knowledge-Guided Multi-Label Few-Shot Learning for General Image
Recognition [75.44233392355711]
KGGRフレームワークは、ディープニューラルネットワークと統計ラベル相関の事前知識を利用する。
まず、統計ラベルの共起に基づいて異なるラベルを相関させる構造化知識グラフを構築する。
次に、ラベルセマンティクスを導入し、学習セマンティクス固有の特徴をガイドする。
グラフノードの相互作用を探索するためにグラフ伝搬ネットワークを利用する。
論文 参考訳（メタデータ） (2020-09-20T15:05:29Z) - Inverse Graph Identification: Can We Identify Node Labels Given Graph
Labels? [89.13567439679709]
グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。
本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。
本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
論文 参考訳（メタデータ） (2020-07-12T12:06:17Z) - Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。
少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。
我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
論文 参考訳（メタデータ） (2020-06-18T00:55:10Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。