論文の概要: Factorized Graph Representations for Semi-Supervised Learning from Sparse Data

• arxiv url: http://arxiv.org/abs/2003.02829v1
• Date: Thu, 5 Mar 2020 18:57:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 06:51:24.185859
• Title: Factorized Graph Representations for Semi-Supervised Learning from Sparse Data
• Title（参考訳）: スパースデータからの半教師付き学習のための因子グラフ表現
• Authors: Krishna Kumar P. and Paul Langton and Wolfgang Gatterbauer
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 8.875598257768846
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Node classification is an important problem in graph data management. It is commonly solved by various label propagation methods that work iteratively starting from a few labeled seed nodes. For graphs with arbitrary compatibilities between classes, these methods crucially depend on knowing the compatibility matrix that must be provided by either domain experts or heuristics. Can we instead directly estimate the correct compatibilities from a sparsely labeled graph in a principled and scalable way? We answer this question affirmatively and suggest a method called distant compatibility estimation that works even on extremely sparsely labeled graphs (e.g., 1 in 10,000 nodes is labeled) in a fraction of the time it later takes to label the remaining nodes. Our approach first creates multiple factorized graph representations (with size independent of the graph) and then performs estimation on these smaller graph sketches. We define algebraic amplification as the more general idea of leveraging algebraic properties of an algorithm's update equations to amplify sparse signals. We show that our estimator is by orders of magnitude faster than an alternative approach and that the end-to-end classification accuracy is comparable to using gold standard compatibilities. This makes it a cheap preprocessing step for any existing label propagation method and removes the current dependence on heuristics.
• Abstract（参考訳）: ノード分類はグラフデータ管理において重要な問題である。 一般に、いくつかのラベル付きシードノードから繰り返し動作する様々なラベル伝搬法によって解決される。 クラス間の任意の互換性を持つグラフの場合、これらの手法はドメインの専門家またはヒューリスティックスによって提供されなければならない互換性行列を知ることに依存する。 代わりに、厳密なラベル付きグラフから直接、原則付きかつスケーラブルな方法で正しい互換性を推定できますか? この疑問に肯定的に答え、極端に粗いラベル付きグラフ(例えば、10,000ノードに1がラベル付けされている)でも、後に残りのノードにラベルを付けるのに要するわずかな時間で機能する遠隔互換性推定法を提案する。 提案手法はまず複数の因子化グラフ表現(グラフとは独立なサイズ)を作成し,次にこれらの小さなグラフスケッチを推定する。 我々は代数的増幅をアルゴリズムの更新方程式の代数的性質を利用してスパース信号を増幅するより一般的な考え方として定義する。 我々の推定値は, 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標準適合性に匹敵することを示した。 これにより、既存のラベル伝搬法の安価な前処理ステップとなり、ヒューリスティックスへの現在の依存を取り除くことができる。

関連論文リスト

• HeteroMILE: a Multi-Level Graph Representation Learning Framework for Heterogeneous Graphs [13.01983932286923]
  異種グラフ上のノードのマルチレベル埋め込みフレームワーク(HeteroMILE)を提案する。 HeteroMILEは、グラフを埋め込む前に、グラフのバックボーン構造を保ちながら、大きなグラフを小さなサイズに繰り返し調整する。 その後、ヘテロジニアスグラフ畳み込みニューラルネットワークを用いて、元のグラフへの粗い埋め込みを洗練する。
  論文  参考訳（メタデータ） (2024-03-31T22:22:10Z)
• Robust Graph Structure Learning under Heterophily [12.557639223778722]
  本稿では、下流タスクのための異種データから高品質なグラフを実現するための、新しい頑健なグラフ構造学習法を提案する。 まず,そのノードの特徴に構造情報をエンコードすることで,各ノードが近隣ノードとより区別されるようにハイパスフィルタを適用する。 そして、異なるレベルのノイズを特徴付ける適応ノルムを持つ頑健なグラフを学習する。
  論文  参考訳（メタデータ） (2024-03-06T12:29:13Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• Demystifying Graph Convolution with a Simple Concatenation [6.542119695695405]
  グラフトポロジ、ノード特徴、ラベル間の重なり合う情報を定量化する。 グラフの畳み込みは、グラフの畳み込みに代わる単純だが柔軟な代替手段であることを示す。
  論文  参考訳（メタデータ） (2022-07-18T16:39:33Z)
• Geometer: Graph Few-Shot Class-Incremental Learning via Prototype Representation [50.772432242082914]
  既存のグラフニューラルネットワークに基づく手法は主に、豊富なラベリングを持つ固定クラス内の未ラベルノードの分類に重点を置いている。 本稿では,この難易度で実用的なグラフ数ショットクラスインクリメンタルラーニング(GFSCIL)問題に着目し,Geometerと呼ばれる新しい手法を提案する。 完全に接続されたニューラルネットワークのクラスを置き換えて再トレーニングする代わりに、Geometerは、最も近いクラスのプロトタイプを見つけることによって、ノードのラベルを予測する。
  論文  参考訳（メタデータ） (2022-05-27T13:02:07Z)
• Learning Based Proximity Matrix Factorization for Node Embedding [33.18041180501025]
  ノード埋め込みの最近の進歩は、近接行列因数分解法は、数百万のノードを持つ大規模グラフに対して、非常に高い性能とスケールが得られることを示している。 トレーニング可能な近接測度を持つフレームワークである Em Lemane を提案する。 提案手法は,ほぼすべてのデータセットにおいて,リンク予測とノード分類タスクの両方において,既存のソリューションよりも優れている。
  論文  参考訳（メタデータ） (2021-06-10T03:29:15Z)
• Multilayer Clustered Graph Learning [66.94201299553336]
  我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。 実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。 クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
  論文  参考訳（メタデータ） (2020-10-29T09:58:02Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Wasserstein-based Graph Alignment [56.84964475441094]
  我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。 提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-03-12T22:31:59Z)

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。