論文の概要: Higher-Order Label Homogeneity and Spreading in Graphs

• arxiv url: http://arxiv.org/abs/2002.07833v1
• Date: Tue, 18 Feb 2020 19:09:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-30 20:44:45.551778
• Title: Higher-Order Label Homogeneity and Spreading in Graphs
• Title（参考訳）: グラフにおける高次ラベル同質性と拡散
• Authors: Dhivya Eswaran, Srijan Kumar and Christos Faloutsos
• Abstract要約: エッジに加えて三角形を用いた高次ラベル拡散は,エッジのみを用いたラベル拡散よりも最大4.7%よいことを示す。 従来の手法や最先端手法と比較して,提案手法は統計的に有意な精度向上をもたらす。
• 参考スコア（独自算出の注目度）: 24.20979516244867
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Do higher-order network structures aid graph semi-supervised learning? Given a graph and a few labeled vertices, labeling the remaining vertices is a high-impact problem with applications in several tasks, such as recommender systems, fraud detection and protein identification. However, traditional methods rely on edges for spreading labels, which is limited as all edges are not equal. Vertices with stronger connections participate in higher-order structures in graphs, which calls for methods that can leverage these structures in the semi-supervised learning tasks. To this end, we propose Higher-Order Label Spreading (HOLS) to spread labels using higher-order structures. HOLS has strong theoretical guarantees and reduces to standard label spreading in the base case. Via extensive experiments, we show that higher-order label spreading using triangles in addition to edges is up to 4.7% better than label spreading using edges alone. Compared to prior traditional and state-of-the-art methods, the proposed method leads to statistically significant accuracy gains in all-but-one cases, while remaining fast and scalable to large graphs.
• Abstract（参考訳）: 高次ネットワーク構造はグラフ半教師あり学習に役立つか? グラフといくつかのラベル付き頂点が与えられた場合、残りの頂点のラベル付けは、レコメンデーションシステム、不正検出、タンパク質の同定など、いくつかのタスクにおけるアプリケーションにとって大きなインパクトとなる。 しかし、従来の方法はラベルを広めるためにエッジに依存しており、すべてのエッジが等しくないので制限される。 より強い接続を持つ頂点は、半教師付き学習タスクにおいてこれらの構造を活用できる方法を要求するグラフの高階構造に関与する。 そこで本研究では,高次構造を用いたラベル拡散のための高次ラベル拡散(HOLS)を提案する。 HOLSは理論上の保証が強く、ベースケース内での標準ラベルの拡散を減らす。 広範にわたる実験により,三角形を用いた高次ラベル拡散は,エッジのみを用いたラベル拡散よりも最大4.7%よいことがわかった。 従来の手法や最先端の手法と比較して,提案手法は高速でスケーラブルなグラフを保ちながら,全てのケースにおいて統計的に有意な精度向上をもたらす。

関連論文リスト

• From Cluster Assumption to Graph Convolution: Graph-based Semi-Supervised Learning Revisited [51.24526202984846]
  グラフベースの半教師付き学習(GSSL)は、長い間ホットな研究トピックだった。 グラフ畳み込みネットワーク (GCN) は, 有望な性能を示す主要な技術となっている。
  論文  参考訳（メタデータ） (2023-09-24T10:10:21Z)
• Adjacency Sketches in Adversarial Environments [3.388546694531524]
  ラベルに対して適応的なクエリを行う敵に対する確率的隣接スケッチのレジリエンスを考察する。 2dlog (1/varepsilon)$ bit labels を用いて最大次数 $d$ のグラフに対して、確率 $varepsilon$ で失敗するスケッチを構築する。
  論文  参考訳（メタデータ） (2023-09-07T14:13:44Z)
• Multi-label Classification with High-rank and High-order Label Correlations [62.39748565407201]
  従来の手法では, ラベル行列を低ランク行列係数化した潜在ラベル空間に変換することにより, 高階ラベル相関を捕えることができた。 本稿では,高次ラベル相関を明示的に記述する簡易かつ効果的な手法を提案し,同時にラベル行列の高次値を維持する。 12個のベンチマークデータセットの比較研究により,マルチラベル分類における提案アルゴリズムの有効性が検証された。
  論文  参考訳（メタデータ） (2022-07-09T05:15:31Z)
• Adaptive Label Smoothing To Regularize Large-Scale Graph Training [46.00927775402987]
  本研究では, 適応ラベル平滑化法 (ALS) を提案する。 ALSはノードラベルを伝播して、前処理ステップで近隣ラベルの分布を集約し、その後、最適なスムーズなラベルをオンラインで更新して、特定のグラフ構造に適合させる。
  論文  参考訳（メタデータ） (2021-08-30T23:51:31Z)
• GNN-XML: Graph Neural Networks for Extreme Multi-label Text Classification [23.79498916023468]
  extreme multi-label text classification (xmtc) は、非常に大きなラベルセットから最も関連するラベルのサブセットでテキストインスタンスをタグ付けすることを目的としている。 GNN-XMLはXMTC問題に適したスケーラブルなグラフニューラルネットワークフレームワークである。
  論文  参考訳（メタデータ） (2020-12-10T18:18:34Z)
• Learn to Propagate Reliably on Noisy Affinity Graphs [69.97364913330989]
  近年の研究では,ラベル伝搬によるラベル付きデータの利用により,ラベル付けコストを大幅に削減できることが示されている。 ラベルを確実に伝播する方法、特に未知の外れ値を持つデータセットでは、依然として未解決の問題である。 本稿では,大規模実世界のデータ上でラベルを確実に伝播させる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-17T07:55:59Z)
• 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)
• Gradient Descent in RKHS with Importance Labeling [58.79085525115987]
  我々は重要ラベル付け問題について研究し、ラベルなしデータが多く与えられている。 ラベルなしデータの情報サブセットを効果的に選択できる新しい重要ラベル方式を提案する。
  論文  参考訳（メタデータ） (2020-06-19T01:55:00Z)
• Heuristic Semi-Supervised Learning for Graph Generation Inspired by Electoral College [80.67842220664231]
  本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。 テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2020-06-10T14:48:48Z)
• Factorized Graph Representations for Semi-Supervised Learning from Sparse Data [8.875598257768846]
  極端に粗いラベル付きグラフでも、遠隔互換性推定と呼ばれる手法が有効であることを示す。 我々の推定器は代替手法よりも桁違いに高速であり、エンドツーエンドの分類精度は金の標準適合性に匹敵するものである。
  論文  参考訳（メタデータ） (2020-03-05T18:57:45Z)
• GraphGen: A Scalable Approach to Domain-agnostic Labeled Graph Generation [5.560715621814096]
  グラフ生成モデルは、データマイニングの文献で広く研究されている。 最近の技術は、データから直接この分布を学習する方向に移行している。 本研究では、これらの制限をすべて克服するために、GraphGenと呼ばれるドメインに依存しないテクニックを開発します。
  論文  参考訳（メタデータ） (2020-01-22T18:07:43Z)

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。