論文の概要: Geometric graphs from data to aid classification tasks with graph convolutional networks

• arxiv url: http://arxiv.org/abs/2005.04081v3
• Date: Tue, 13 Apr 2021 18:34:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-05 12:17:09.798018
• Title: Geometric graphs from data to aid classification tasks with graph convolutional networks
• Title（参考訳）: グラフ畳み込みネットワークを用いた分類支援のためのデータからの幾何グラフ
• Authors: Yifan Qian, Paul Expert, Pietro Panzarasa, Mauricio Barahona
• Abstract要約: データセットに付加的な関係情報が得られなくても,特徴量自体から幾何グラフを構築して分類を改善することができることを示す。 分類精度の向上は、比較的低いエッジ密度のサンプル類似性をキャプチャするグラフによって最大化される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional classification tasks learn to assign samples to given classes based solely on sample features. This paradigm is evolving to include other sources of information, such as known relations between samples. Here we show that, even if additional relational information is not available in the data set, one can improve classification by constructing geometric graphs from the features themselves, and using them within a Graph Convolutional Network. The improvement in classification accuracy is maximized by graphs that capture sample similarity with relatively low edge density. We show that such feature-derived graphs increase the alignment of the data to the ground truth while improving class separation. We also demonstrate that the graphs can be made more efficient using spectral sparsification, which reduces the number of edges while still improving classification performance. We illustrate our findings using synthetic and real-world data sets from various scientific domains.
• Abstract（参考訳）: 従来の分類タスクは、サンプル機能のみに基づいて、与えられたクラスにサンプルを割り当てることを学ぶ。 このパラダイムは、サンプル間の既知の関係のような他の情報源を含むように進化している。 ここでは,追加のリレーショナル情報がデータセットで利用できない場合でも,特徴から幾何グラフを構築し,グラフ畳み込みネットワーク内で使用することで分類を改善することができることを示す。 分類精度の向上は、比較的低いエッジ密度でサンプル類似性をキャプチャするグラフによって最大化される。 このような特徴由来のグラフは、クラス分離を改善しながら、データのアライメントを基礎的真理に増加させる。 また,スペクトルスペーシフィケーションによりグラフの効率を向上し,エッジ数を削減するとともに,分類性能も向上することを示した。 本研究は,様々な分野の合成および実世界のデータセットを用いて行った。

関連論文リスト

• Contrastive Learning for Non-Local Graphs with Multi-Resolution Structural Views [1.4445779250002606]
  本稿では,グラフ上の拡散フィルタを統合する新しい多視点コントラスト学習手法を提案する。 複数のグラフビューを拡張として組み込むことで、異種グラフの構造的等価性を捉える。
  論文  参考訳（メタデータ） (2023-08-19T17:42:02Z)
• Graph Out-of-Distribution Generalization with Controllable Data Augmentation [51.17476258673232]
  グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。 トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。 仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:10:27Z)
• Permutation Equivariant Graph Framelets for Heterophilous Graph Learning [6.679929638714752]
  本研究では,Haar型グラフフレームレットの構築により,マルチスケール抽出を実現する手法を開発した。 ヘテロ親和性グラフの特定のデータセット上で,我々のモデルが最高の性能を達成できることが示される。
  論文  参考訳（メタデータ） (2023-06-07T09:05:56Z)
• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• Graph Condensation via Receptive Field Distribution Matching [61.71711656856704]
  本稿では,元のグラフを表す小さなグラフの作成に焦点をあてる。 我々は、元のグラフを受容体の分布とみなし、受容体が同様の分布を持つ小さなグラフを合成することを目的としている。
  論文  参考訳（メタデータ） (2022-06-28T02:10:05Z)
• 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)
• Supervised Contrastive Learning with Structure Inference for Graph Classification [5.276232626689567]
  グラフ分類のための教師付きコントラスト学習と構造推論に基づくグラフニューラルネットワークを提案する。 ラベル情報の統合により、1-vs-manyのコントラスト学習を多-vs-many設定に拡張することができる。 実験の結果,最近の最先端手法と比較して提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-03-15T07:18:46Z)
• Graph Transplant: Node Saliency-Guided Graph Mixup with Local Structure Preservation [27.215800308343322]
  グラフトランスポート(Graph Transplant)と呼ばれるグラフレベルでMixupライクなグラフ拡張手法を提案する。 本手法では, 局所情報を保存可能な混合単位としてサブ構造を同定する。 複数のグラフ分類ベンチマークデータセットを用いて,多様なGNNアーキテクチャを用いて提案手法を広範囲に検証する。
  論文  参考訳（メタデータ） (2021-11-10T11:10:13Z)
• Scaling up graph homomorphism for classification via sampling [1.662966122370634]
  グラフ準同型密度特徴を準同型数に対するスケーラブルな代替として使用することを検討する。 準同型密度の加法近似を計算する単純なサンプリングアルゴリズムの高性能な実装を提案する。
  論文  参考訳（メタデータ） (2021-04-08T20:25:37Z)
• 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)
• 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)

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。