論文の概要: A Process for the Evaluation of Node Embedding Methods in the Context of Node Classification

• arxiv url: http://arxiv.org/abs/2005.14683v1
• Date: Fri, 29 May 2020 17:20:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 23:57:14.320021
• Title: A Process for the Evaluation of Node Embedding Methods in the Context of Node Classification
• Title（参考訳）: ノード分類におけるノード埋め込み手法の評価プロセス
• Authors: Christoph Martin, Meike Riebeling
• Abstract要約: 本研究では,ノードの組込み手法w.r.t.ノード分類の公平かつ客観的な評価方法を開発する。 このプロセスは、研究者や実践者が再現可能な方法で新しい方法と既存の方法を比較するのを支援する。
• 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: Node embedding methods find latent lower-dimensional representations which are used as features in machine learning models. In the last few years, these methods have become extremely popular as a replacement for manual feature engineering. Since authors use various approaches for the evaluation of node embedding methods, existing studies can rarely be efficiently and accurately compared. We address this issue by developing a process for a fair and objective evaluation of node embedding procedures w.r.t. node classification. This process supports researchers and practitioners to compare new and existing methods in a reproducible way. We apply this process to four popular node embedding methods and make valuable observations. With an appropriate combination of hyperparameters, good performance can be achieved even with embeddings of lower dimensions, which is positive for the run times of the downstream machine learning task and the embedding algorithm. Multiple hyperparameter combinations yield similar performance. Thus, no extensive, time-consuming search is required to achieve reasonable performance in most cases.
• Abstract（参考訳）: ノード埋め込み手法は、機械学習モデルの特徴として使用される潜在的な低次元表現を見つける。 ここ数年、これらの手法は手動の特徴工学の代替として非常に人気がある。 筆者らはノード埋め込み手法の評価に様々なアプローチを採用しているため、既存の研究を効率的に正確に比較することはめったにない。 本稿では,ノードの組込み手順w.r.t.ノード分類を公平かつ客観的に評価するプロセスを開発することでこの問題に対処する。 このプロセスは、研究者や実践者が再現可能な方法で新しい方法と既存の方法を比較するのを支援する。 このプロセスを4つの人気のあるノード埋め込みメソッドに適用し、貴重な観察を行う。 ハイパーパラメータの適切な組み合わせにより、下流機械学習タスクと埋め込みアルゴリズムの実行時間に好意的な低次元の埋め込みであっても、優れたパフォーマンスを実現することができる。 複数のハイパーパラメータの組み合わせも同様のパフォーマンスを得る。 したがって、多くの場合、妥当なパフォーマンスを達成するために、広範囲で時間を要する検索は不要である。

関連論文リスト

• CovScore: Evaluation of Multi-Document Abstractive Title Set Generation [16.516381474175986]
  CovScoreは、テーマのタイトルセットを評価するための自動参照レス方法論である。 評価の異なる側面に沿って,品質を5つの主要な指標に分解する手法を提案する。
  論文  参考訳（メタデータ） (2024-07-24T16:14:15Z)
• Better Understanding Differences in Attribution Methods via Systematic Evaluations [57.35035463793008]
  モデル決定に最も影響を及ぼす画像領域を特定するために、ポストホック属性法が提案されている。 本稿では,これらの手法の忠実度をより確実に評価するための3つの新しい評価手法を提案する。 これらの評価手法を用いて、広範囲のモデルにおいて広く用いられている属性手法の長所と短所について検討する。
  論文  参考訳（メタデータ） (2023-03-21T14:24:58Z)
• Unified Functional Hashing in Automatic Machine Learning [58.77232199682271]
  高速に統一された関数型ハッシュを用いることで,大きな効率向上が得られることを示す。 私たちのハッシュは"機能的"であり、表現やコードが異なる場合でも同等の候補を識別します。 ニューラルアーキテクチャ検索やアルゴリズム発見など、複数のAutoMLドメインで劇的な改善がなされている。
  論文  参考訳（メタデータ） (2023-02-10T18:50:37Z)
• Towards Better Understanding Attribution Methods [77.1487219861185]
  モデル決定に最も影響を及ぼす画像領域を特定するために、ポストホック属性法が提案されている。 本稿では,これらの手法の忠実度をより確実に評価するための3つの新しい評価手法を提案する。 また,いくつかの属性法の性能を著しく向上する処理後平滑化ステップを提案する。
  論文  参考訳（メタデータ） (2022-05-20T20:50:17Z)
• EASY: Ensemble Augmented-Shot Y-shaped Learning: State-Of-The-Art Few-Shot Classification with Simple Ingredients [2.0935101589828244]
  1つ以上のディープラーニングモデルで学習した知識を活用することを目的として,新しい問題に対する優れた分類性能を得る。 フィールドの標準化された複数のベンチマークで、アートパフォーマンスの状態を達成または打ち負かすような、シンプルな手法を提案する。
  論文  参考訳（メタデータ） (2022-01-24T14:08:23Z)
• Recall@k Surrogate Loss with Large Batches and Similarity Mixup [62.67458021725227]
  微分不可能な場合、評価計量の勾配降下による直接最適化は不可能である。 本研究は,リコールにおける相異なるサロゲート損失を提案する。 提案手法は,複数の画像検索ベンチマークにおいて最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-08-25T11:09:11Z)
• Finding Significant Features for Few-Shot Learning using Dimensionality Reduction [0.0]
  このモジュールは、計量学習法により与えられる類似度関数を、分類のためのより識別的な特徴を持つようにすることで、精度の向上を支援する。 提案手法は,MiniImageNetデータセットにおけるメトリック学習ベースラインの精度を約2%向上させる。
  論文  参考訳（メタデータ） (2021-07-06T16:36:57Z)
• Combining Feature and Instance Attribution to Detect Artifacts [62.63504976810927]
  トレーニングデータアーティファクトの識別を容易にする手法を提案する。 提案手法は,トレーニングデータのアーティファクトの発見に有効であることを示す。 我々は,これらの手法が実際にNLP研究者にとって有用かどうかを評価するために,小規模なユーザスタディを実施している。
  論文  参考訳（メタデータ） (2021-07-01T09:26:13Z)
• Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
  暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。 ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。 本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-11T03:38:16Z)
• Knowledge Graph Embedding with Atrous Convolution and Residual Learning [4.582412257655891]
  本稿では, 単純だが効果的な畳み込みに基づく知識グラフ埋め込み法を提案する。 アトラスな畳み込みを用いることで、機能相互作用を効果的に増加させる。 元の情報が忘れられた問題と、勾配の問題が消え/露呈する問題に対処する。
  論文  参考訳（メタデータ） (2020-10-23T00:57:23Z)
• On the Efficiency of K-Means Clustering: Evaluation, Optimization, and Algorithm Selection [20.900296096958446]
  本稿では,高速k平均クラスタリングのためのロイドのアルゴリズムを高速化する既存の手法について,徹底的な評価を行う。 UniK内では、複数のデータセット上での複数のパフォーマンス指標を用いて、既存のメソッドの長所と短所を徹底的に評価する。 我々は、より積極的な刈り取りのために複数の既存手法を効果的にハイブリダイズする、UniK上の最適化アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2020-10-13T19:45:30Z)

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。