論文の概要: Sequential Graph Convolutional Network for Active Learning
- arxiv url: http://arxiv.org/abs/2006.10219v3
- Date: Thu, 1 Apr 2021 16:18:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-19 13:15:29.833857
- Title: Sequential Graph Convolutional Network for Active Learning
- Title（参考訳）: アクティブラーニングのための逐次グラフ畳み込みネットワーク
- Authors: Razvan Caramalau, Binod Bhattarai, Tae-Kyun Kim
- Abstract要約: 逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。
少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。
我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
- 参考スコア（独自算出の注目度）: 53.99104862192055
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a novel pool-based Active Learning framework constructed on a
sequential Graph Convolution Network (GCN). Each image's feature from a pool of
data represents a node in the graph and the edges encode their similarities.
With a small number of randomly sampled images as seed labelled examples, we
learn the parameters of the graph to distinguish labelled vs unlabelled nodes
by minimising the binary cross-entropy loss. GCN performs message-passing
operations between the nodes, and hence, induces similar representations of the
strongly associated nodes. We exploit these characteristics of GCN to select
the unlabelled examples which are sufficiently different from labelled ones. To
this end, we utilise the graph node embeddings and their confidence scores and
adapt sampling techniques such as CoreSet and uncertainty-based methods to
query the nodes. We flip the label of newly queried nodes from unlabelled to
labelled, re-train the learner to optimise the downstream task and the graph to
minimise its modified objective. We continue this process within a fixed
budget. We evaluate our method on 6 different benchmarks:4 real image
classification, 1 depth-based hand pose estimation and 1 synthetic RGB image
classification datasets. Our method outperforms several competitive baselines
such as VAAL, Learning Loss, CoreSet and attains the new state-of-the-art
performance on multiple applications The implementations can be found here:
https://github.com/razvancaramalau/Sequential-GCN-for-Active-Learning
- Abstract（参考訳）: 本稿では,逐次グラフ畳み込みネットワーク(gcn)上に構築したプール型アクティブラーニングフレームワークを提案する。
データプールからのそれぞれの画像の特徴はグラフ内のノードを表し、エッジはその類似性をエンコードする。
ランダムにサンプリングされた画像をシードラベル付き例として、二項クロスエントロピー損失を最小にすることでラベル付きノードとラベルなしノードを区別するグラフのパラメータを学習する。
GCNはノード間のメッセージパッシング操作を実行するため、強く関連付けられたノードの同様の表現を誘導する。
我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
この目的のために、グラフノードの埋め込みとその信頼性スコアを利用し、CoreSetや不確実性に基づく手法などのサンプリング手法を適用してノードを問合せする。
新たにクエリされたノードのラベルをラベル付けしたラベルから反転させ、学習者がダウンストリームタスクとグラフを最適化して修正対象を最小化するように再訓練する。
このプロセスは固定予算内で継続します。
提案手法は,6種類の実画像分類,深度に基づく手ポーズ推定,合成RGB画像分類データセットを用いて評価した。
私たちのメソッドはVAAL、Learning Loss、CoreSetといった競争力のあるベースラインを上回り、複数のアプリケーションで新しい最先端のパフォーマンスを実現しています。
関連論文リスト
- SimMatchV2: Semi-Supervised Learning with Graph Consistency [53.31681712576555]
半教師付き学習アルゴリズムSimMatchV2を導入する。
グラフの観点からラベル付きデータとラベルなしデータの間の様々な一貫性の規則化を定式化する。
SimMatchV2は、複数の半教師付き学習ベンチマークで検証されている。
論文 参考訳（メタデータ） (2023-08-13T05:56:36Z) - A Simple and Scalable Graph Neural Network for Large Directed Graphs [11.792826520370774]
入力グラフ内のノード表現とエッジ方向認識の様々な組み合わせについて検討する。
そこで本研究では,A2DUGを簡易かつ包括的に分類する手法を提案する。
我々は、A2DUGが様々なデータセットで安定して動作し、最先端の手法と比較して11.29まで精度が向上することを示した。
論文 参考訳（メタデータ） (2023-06-14T06:24:58Z) - NESS: Node Embeddings from Static SubGraphs [0.0]
本稿では,グラフオートエンコーダ(GAE)を用いて静的サブグラフ(NESS)からノード埋め込みをトランスダクティブに学習するフレームワークを提案する。
NESSは2つの主要なアイデアに基づいている。 i) トレーニンググラフをデータ前処理中にランダムなエッジ分割を使用して、重複しないエッジを持つ複数の静的でスパースなサブグラフに分割する。
我々はNESSがリンク予測タスクに対して、グラフ全体またはサブグラフのいずれかを使用する現在の自動符号化手法と比較して、より良いノード表現を提供することを示した。
論文 参考訳（メタデータ） (2023-03-15T22:14:28Z) - 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) - Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。
GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。
提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文 参考訳（メタデータ） (2022-03-03T09:53:53Z) - Learning Hierarchical Graph Neural Networks for Image Clustering [81.5841862489509]
本稿では,画像の集合を未知の個数にクラスタリングする方法を学ぶ階層型グラフニューラルネットワーク(GNN)モデルを提案する。
我々の階層的なGNNは、階層の各レベルで予測される連結コンポーネントをマージして、次のレベルで新しいグラフを形成するために、新しいアプローチを用いています。
論文 参考訳（メタデータ） (2021-07-03T01:28:42Z) - Residual Network and Embedding Usage: New Tricks of Node Classification
with Graph Convolutional Networks [0.38233569758620045]
まず、GCNのミニバッチトレーニングで使われる既存の効果的なトリックを要約する。
これに基づいて、GCN_res FrameworkとEmbedding Usageという2つの新しいトリックが提案されている。
Open Graph Benchmarkの実験では、これらの手法を組み合わせることで、様々なGCNのテスト精度が1.21%2.84%向上した。
論文 参考訳（メタデータ） (2021-05-18T07:52:51Z) - Scalable Graph Neural Networks for Heterogeneous Graphs [12.44278942365518]
グラフニューラルネットワーク(GNN)は、グラフ構造化データを学習するためのパラメトリックモデルの一般的なクラスである。
最近の研究は、GNNが主に機能をスムースにするためにグラフを使用しており、ベンチマークタスクで競合する結果を示していると主張している。
本研究では、これらの結果が異種グラフに拡張可能かどうかを問うとともに、異なるエンティティ間の複数のタイプの関係を符号化する。
論文 参考訳（メタデータ） (2020-11-19T06:03:35Z) - Inverse Graph Identification: Can We Identify Node Labels Given Graph
Labels? [89.13567439679709]
グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。
本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。
本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
論文 参考訳（メタデータ） (2020-07-12T12:06:17Z)
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。