論文の概要: Graph Meta Learning via Local Subgraphs

• arxiv url: http://arxiv.org/abs/2006.07889v4
• Date: Fri, 8 Jan 2021 19:57:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 10:00:58.419796
• Title: Graph Meta Learning via Local Subgraphs
• Title（参考訳）: 局所グラフによるグラフメタ学習
• Authors: Kexin Huang, Marinka Zitnik
• Abstract要約: 本稿では,グラフの新しいメタ学習アルゴリズムであるG-Metaを紹介する。 G-Metaはローカルサブグラフを使用してサブグラフ固有の情報を転送する。 少数のノードやエッジだけを使って、新しいタスクに迅速に適応する方法を学ぶ。
• 参考スコア（独自算出の注目度）: 16.478056282061242
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prevailing methods for graphs require abundant label and edge information for learning. When data for a new task are scarce, meta-learning can learn from prior experiences and form much-needed inductive biases for fast adaption to new tasks. Here, we introduce G-Meta, a novel meta-learning algorithm for graphs. G-Meta uses local subgraphs to transfer subgraph-specific information and learn transferable knowledge faster via meta gradients. G-Meta learns how to quickly adapt to a new task using only a handful of nodes or edges in the new task and does so by learning from data points in other graphs or related, albeit disjoint label sets. G-Meta is theoretically justified as we show that the evidence for a prediction can be found in the local subgraph surrounding the target node or edge. Experiments on seven datasets and nine baseline methods show that G-Meta outperforms existing methods by up to 16.3%. Unlike previous methods, G-Meta successfully learns in challenging, few-shot learning settings that require generalization to completely new graphs and never-before-seen labels. Finally, G-Meta scales to large graphs, which we demonstrate on a new Tree-of-Life dataset comprising of 1,840 graphs, a two-orders of magnitude increase in the number of graphs used in prior work.
• Abstract（参考訳）: グラフの一般的な方法は、学習に豊富なラベルとエッジ情報を必要とする。 新しいタスクのデータが不足すると、メタラーニングは以前の経験から学び、新しいタスクに迅速に適応するために非常に必要となる誘導バイアスを形成する。 本稿では,グラフの新しいメタ学習アルゴリズムであるG-Metaを紹介する。 g-metaはローカルサブグラフを使用してサブグラフ固有の情報を転送し、メタグラデーションを通じて転送可能な知識をより早く学習する。 G-Metaは、新しいタスクのノードやエッジのみを使用して、新しいタスクに迅速に適応する方法を学び、他のグラフや関連するデータポイントから学習することで、非結合なラベルセットを学習する。 g-metaは、予測の証拠が対象ノードやエッジを囲む局所部分グラフで見つかることを示すため、理論的に正当化される。 7つのデータセットと9つのベースラインメソッドの実験は、g-metaが既存のメソッドを16.3%上回っていることを示している。 従来の方法と異なり、g-metaは、全く新しいグラフと全く前のラベルへの一般化を必要とする、難易度の低い学習設定でうまく学習する。 最後に、G-Metaは大規模グラフにスケールし、1,840個のグラフからなる新しいTree-of-Lifeデータセットを実証する。

関連論文リスト

• GSINA: Improving Subgraph Extraction for Graph Invariant Learning via Graph Sinkhorn Attention [52.67633391931959]
  グラフ不変学習(GIL)は,グラフデータとそのラベル間の不変性を発見するための効果的な手法である。 グラフシンクホーン注意機構(GSINA)を提案する。 GSINAは、制御可能な空間性と柔らかさを持つ有意義で微分可能な不変部分グラフを得ることができる。
  論文  参考訳（メタデータ） (2024-02-11T12:57:16Z)
• Graph Domain Adaptation: Challenges, Progress and Prospects [61.9048172631524]
  本稿では,グラフ間の効果的な知識伝達パラダイムとしてグラフ領域適応を提案する。 GDAは、ソースグラフとしてタスク関連のグラフを多数導入し、ソースグラフから学習した知識をターゲットグラフに適応させる。 研究状況と課題について概説し、分類学を提案し、代表作の詳細を紹介し、今後の展望について論じる。
  論文  参考訳（メタデータ） (2024-02-01T02:44:32Z)
• From Cluster Assumption to Graph Convolution: Graph-based Semi-Supervised Learning Revisited [51.24526202984846]
  グラフベースの半教師付き学習(GSSL)は、長い間ホットな研究トピックだった。 グラフ畳み込みネットワーク (GCN) は, 有望な性能を示す主要な技術となっている。
  論文  参考訳（メタデータ） (2023-09-24T10:10:21Z)
• Graph Contrastive Learning Meets Graph Meta Learning: A Unified Method for Few-shot Node Tasks [68.60884768323739]
  Contrastive Few-Shot Node Classification (COLA)を紹介する。 COLAはグラフ拡張を使用して意味的に類似したノードを識別し、ラベル情報を必要としないメタタスクの構築を可能にする。 広範な実験を通じて、我々は設計における各コンポーネントの本質を検証し、COLAが全てのタスクにおいて新しい最先端を達成することを実証する。
  論文  参考訳（メタデータ） (2023-09-19T07:24:10Z)
• SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
  テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。 まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。 次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
  論文  参考訳（メタデータ） (2023-08-03T07:00:04Z)
• Weakly-supervised Graph Meta-learning for Few-shot Node Classification [53.36828125138149]
  新しいグラフメタ学習フレームワーク - Graph Hallucination Networks (Meta-GHN) を提案する。 新たなロバストネス強化エピソードトレーニングに基づいて、Meta-GHNは、弱いラベル付きデータからクリーンノード表現を幻覚させるメタ学習を行う。 大規模な実験は、既存のグラフメタ学習研究よりもMeta-GHNの方が優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-12T22:22:10Z)
• Topology-aware Tensor Decomposition for Meta-graph Learning [33.70569156426479]
  不均一グラフから有用な情報を抽出するための一般的なアプローチは、メタグラフを使用することである。 メタグラフの学習におけるテンソルからの新たな視点を提案する。 また、DAGの構造を反映した位相対応テンソル分解(TENSUS)を提案する。
  論文  参考訳（メタデータ） (2021-01-04T16:38:00Z)
• Adaptive-Step Graph Meta-Learner for Few-Shot Graph Classification [25.883839335786025]
  本稿では,グラフデータへの高速適応にGNNをベースとしたグラフメタラーナを用いた新しいフレームワークを提案する。 我々のフレームワークは、ベースラインと比較して、いくつかのショットグラフ分類タスクに対して最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-03-18T14:38:48Z)

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。