論文の概要: Integrated Node Encoder for Labelled Textual Networks

• arxiv url: http://arxiv.org/abs/2005.11694v2
• Date: Tue, 10 May 2022 14:31:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 13:42:24.307515
• Title: Integrated Node Encoder for Labelled Textual Networks
• Title（参考訳）: Labelled Textual Networksのための統合ノードエンコーダ
• Authors: Ye Ma and Lu Zong
• Abstract要約: 本研究では,テキストネットワークのための統合ノードエンコーダ(INE)を設計し,構造に基づく目的とラベルに基づく目的を共同で訓練する。 INEは、ネットワークテキストと構造だけでなく、ラベル付き情報の統合知識も保持する。 ノード埋め込みは,2つの公開引用ネットワーク上の分類タスクにおける最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 4.035753155957699
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Voluminous works have been implemented to exploit content-enhanced network embedding models, with little focus on the labelled information of nodes. Although TriDNR leverages node labels by treating them as node attributes, it fails to enrich unlabelled node vectors with the labelled information, which leads to the weaker classification result on the test set in comparison to existing unsupervised textual network embedding models. In this study, we design an integrated node encoder (INE) for textual networks which is jointly trained on the structure-based and label-based objectives. As a result, the node encoder preserves the integrated knowledge of not only the network text and structure, but also the labelled information. Furthermore, INE allows the creation of label-enhanced vectors for unlabelled nodes by entering their node contents. Our node embedding achieves state-of-the-art performances in the classification task on two public citation networks, namely Cora and DBLP, pushing benchmarks up by 10.0\% and 12.1\%, respectively, with the 70\% training ratio. Additionally, a feasible solution that generalizes our model from textual networks to a broader range of networks is proposed.
• Abstract（参考訳）: ノードのラベル付き情報にほとんど焦点を合わせずに、コンテンツエンハンスされたネットワーク埋め込みモデルを活用するために、voluminous worksが実装されている。 TriDNRはノードをノード属性として扱うことでノードラベルを利用するが、ラベル付き情報で未ラベルのノードベクトルを拡張できないため、既存の教師なしのテキストネットワーク埋め込みモデルと比較してテストセットの分類結果が弱い。 本研究では,テキストネットワークのための統合ノードエンコーダ(INE)を設計し,構造に基づく目的とラベルに基づく目的を共同で訓練する。 その結果、ノードエンコーダは、ネットワークテキストや構造だけでなく、ラベル付き情報も統合知識として保持する。 さらに、ineはラベルのないノードに対して、ノードの内容を入力することでラベル付きベクターを作成することができる。 ノード埋め込みはCoraとDBLPの2つの公開引用ネットワーク上での分類タスクにおける最先端のパフォーマンスを達成し、ベンチマークをそれぞれ10.0\%、12.1\%、トレーニング比率70\%でプッシュする。 さらに,我々のモデルをテキストネットワークから広範囲のネットワークに一般化する実現可能なソリューションを提案する。

関連論文リスト

• Domain-adaptive Message Passing Graph Neural Network [67.35534058138387]
  クロスネットワークノード分類(CNNC)は、豊富なラベルを持つソースネットワークから知識を転送することで、ラベル不足のターゲットネットワーク内のノードを分類することを目的としている。 本稿では,グラフニューラルネットワーク(GNN)と条件付き対向ドメイン適応を統合したドメイン適応型メッセージパッシンググラフニューラルネットワーク(DM-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-08-31T05:26:08Z)
• Collaborative Graph Neural Networks for Attributed Network Embedding [63.39495932900291]
  グラフニューラルネットワーク(GNN)は、属性付きネットワーク埋め込みにおいて顕著な性能を示している。 本稿では,ネットワーク埋め込みに適したGNNアーキテクチャであるCulaborative graph Neural Networks-CONNを提案する。
  論文  参考訳（メタデータ） (2023-07-22T04:52:27Z)
• 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)
• GP-S3Net: Graph-based Panoptic Sparse Semantic Segmentation Network [1.9949920338542213]
  GP-S3Netは提案なしのアプローチであり、オブジェクトを識別するためにオブジェクトの提案は必要ない。 私たちの新しいデザインは、セマンティックな結果を処理する新しいインスタンスレベルのネットワークで構成されています。 GP-S3Netは現在の最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2021-08-18T21:49:58Z)
• GAGE: Geometry Preserving Attributed Graph Embeddings [34.25102483600248]
  本稿では,属性ネットワークにノードを埋め込む手法を提案する。 接続と属性の両方の距離を保存する。 学習課題に取り組むために,効率的かつ軽量なアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-11-03T02:07:02Z)
• Joint Use of Node Attributes and Proximity for Semi-Supervised Classification on Graphs [2.113059435430681]
  本稿では,属性とノード近接性を協調的に重み付けする生成確率モデルに基づいて,JANEの原理的アプローチを提案する。 ネットワークデータセットの多種多様な実験により、JANEは、汎用性と競争性能の望ましい組み合わせを示すことを示した。
  論文  参考訳（メタデータ） (2020-10-22T08:52:11Z)
• Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
  グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。 GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
  論文  参考訳（メタデータ） (2020-06-23T04:13:23Z)
• Modeling Global and Local Node Contexts for Text Generation from Knowledge Graphs [63.12058935995516]
  最近のグラフ・トゥ・テキストモデルでは、グローバル・アグリゲーションまたはローカル・アグリゲーションを使用してグラフベースのデータからテキストを生成する。 本稿では,グローバルなノードコンテキストとローカルなノードコンテキストを組み合わせた入力グラフを符号化するニューラルモデルを提案する。 われわれのアプローチは、2つのグラフからテキストへのデータセットに大きな改善をもたらす。
  論文  参考訳（メタデータ） (2020-01-29T18:24:14Z)
• Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
  半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。 推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。 4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
  論文  参考訳（メタデータ） (2020-01-17T02:52:30Z)

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。