論文の概要: DPGN: Distribution Propagation Graph Network for Few-shot Learning

• arxiv url: http://arxiv.org/abs/2003.14247v2
• Date: Wed, 1 Apr 2020 16:57:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 01:34:55.925450
• Title: DPGN: Distribution Propagation Graph Network for Few-shot Learning
• Title（参考訳）: DPGN:Few-shot Learningのための分散伝搬グラフネットワーク
• Authors: Ling Yang, Liangliang Li, Zilun Zhang, Xinyu Zhou, Erjin Zhou, and Yu Liu
• Abstract要約: 本稿では,分散伝播グラフネットワーク (DPGN) という新しい手法を提案する。 DPGNは、各数発の学習タスクにおいて、分布レベル関係とインスタンスレベル関係の両方を伝達する。 半監督条件下では5%$sim$12%、半監督条件下では7%$sim$13%である。
• 参考スコア（独自算出の注目度）: 17.710994950884942
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most graph-network-based meta-learning approaches model instance-level relation of examples. We extend this idea further to explicitly model the distribution-level relation of one example to all other examples in a 1-vs-N manner. We propose a novel approach named distribution propagation graph network (DPGN) for few-shot learning. It conveys both the distribution-level relations and instance-level relations in each few-shot learning task. To combine the distribution-level relations and instance-level relations for all examples, we construct a dual complete graph network which consists of a point graph and a distribution graph with each node standing for an example. Equipped with dual graph architecture, DPGN propagates label information from labeled examples to unlabeled examples within several update generations. In extensive experiments on few-shot learning benchmarks, DPGN outperforms state-of-the-art results by a large margin in 5% $\sim$ 12% under supervised setting and 7% $\sim$ 13% under semi-supervised setting. Code will be released.
• Abstract（参考訳）: ほとんどのグラフネットワークベースのメタ学習は、例のインスタンスレベルの関係をモデル化する。 この考えをさらに拡張して、ある例の分布レベル関係を 1-vs-N の方法で他のすべての例に明示的にモデル化する。 本稿では,分散伝播グラフネットワーク (DPGN) という新しい手法を提案する。 数発の学習タスクにおいて、分布レベル関係とインスタンスレベル関係の両方を伝達する。 すべての例に対する分布レベル関係とインスタンスレベル関係を組み合わせるために,各ノードが例に立つ点グラフと分布グラフからなる2つの完全グラフネットワークを構築した。 デュアルグラフアーキテクチャを備えたDPGNは、ラベル付き例からラベルなし例まで、いくつかの更新世代でラベル情報を伝搬する。 数ショットの学習ベンチマークに関する広範な実験では、DPGNは最先端の結果よりも5%$\sim$12%、7%$\sim$13%で大きなマージンを達成している。 コードはリリースされる。

関連論文リスト

• Fisher Information Embedding for Node and Graph Learning [5.263910852465186]
  本稿では,グラフのための新しい注目型ノード埋め込みフレームワークを提案する。 我々のフレームワークはノード周辺のサブグラフの多重集合のための階層的カーネル上に構築されている。 埋め込みの一般化性と表現性に関する理論的知見を提供する。
  論文  参考訳（メタデータ） (2023-05-12T16:15:30Z)
• TGNN: A Joint Semi-supervised Framework for Graph-level Classification [34.300070497510276]
  我々は、ツイングラフニューラルネットワーク(TGNN)と呼ばれる新しい半教師付きフレームワークを提案する。 グラフ構造情報を補完的なビューから探索するために、TGNNにはメッセージパッシングモジュールとグラフカーネルモジュールがあります。 我々は,TGNNを様々な公開データセットで評価し,高い性能が得られることを示す。
  論文  参考訳（メタデータ） (2023-04-23T15:42:11Z)
• You Only Transfer What You Share: Intersection-Induced Graph Transfer Learning for Link Prediction [79.15394378571132]
  従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。 より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。 この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
  論文  参考訳（メタデータ） (2023-02-27T22:56:06Z)
• Similarity-aware Positive Instance Sampling for Graph Contrastive Pre-training [82.68805025636165]
  トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。 私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。 さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
  論文  参考訳（メタデータ） (2022-06-23T20:12:51Z)
• Semi-Supervised Hierarchical Graph Classification [54.25165160435073]
  ノードがグラフのインスタンスである階層グラフにおけるノード分類問題について検討する。 本稿では階層グラフ相互情報(HGMI)を提案し,理論的保証をもってHGMIを計算する方法を提案する。 本稿では,この階層グラフモデリングとSEAL-CI法がテキストおよびソーシャルネットワークデータに与える影響を実証する。
  論文  参考訳（メタデータ） (2022-06-11T04:05:29Z)
• Bag Graph: Multiple Instance Learning using Bayesian Graph Neural Networks [22.07812381907525]
  マルチインスタンス学習(MIL)は、ラベルをインスタンスのセットやバッグに割り当てることを目的とした、弱い教師付き学習問題である。 最近の研究は、MIL設定におけるニューラルネットワークモデルの有望な結果を示している。 グラフを用いてバッグ間の相互作用をモデル化し、エンドツーエンド学習を容易にするためにグラフニューラルネットワーク(GNN)を用いる。
  論文  参考訳（メタデータ） (2022-02-22T19:16:44Z)
• Cross-Network Learning with Partially Aligned Graph Convolutional Networks [21.458260469446863]
  モデル間のノード表現を学習するために,部分整列グラフ畳み込みネットワークを提案する。 実世界の知識グラフと協調ネットワークの実験は,提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2021-06-03T04:07:26Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
  グラフ組み込み数ショット学習に関する包括的な研究を紹介します。 本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。 提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
  論文  参考訳（メタデータ） (2021-02-14T05:28:13Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)
• Few-Shot Learning on Graphs via Super-Classes based on Graph Spectral Measures [14.932318540666545]
  グラフニューラルネットワーク (GNN) におけるショットグラフ分類の問題について, 限定ラベル付きグラフの場合, 未確認のクラスを認識するために検討した。 グラフ正規化ラプラシアンのスペクトルに基づいて確率測度を各グラフに割り当てる手法を提案する。
  論文  参考訳（メタデータ） (2020-02-27T17:11:14Z)

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。