Fugu-MT 論文翻訳(概要): Class-Attentive Diffusion Network for Semi-Supervised Classification

論文の概要: Class-Attentive Diffusion Network for Semi-Supervised Classification

arxiv url: http://arxiv.org/abs/2006.10222v3
Date: Wed, 30 Dec 2020 04:35:37 GMT
ステータス: 処理完了
システム内更新日: 2022-11-19 10:08:59.842966
Title: Class-Attentive Diffusion Network for Semi-Supervised Classification
Title（参考訳）: 半教師付き分類のためのクラス親密拡散ネットワーク
Authors: Jongin Lim, Daeho Um, Hyung Jin Chang, Dae Ung Jo, Jin Young Choi
Abstract要約: Class-Attentive Diffusion Network (CAD-Net) は、半教師付き分類のためのグラフニューラルネットワークである。本稿では,Kホップ近傍のノードを適応的に集約する新しいアグリゲーション手法を提案する。提案手法の有効性を連続的に示す7つのベンチマークデータセットについて実験を行った。
参考スコア（独自算出の注目度）: 27.433021864424266
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recently, graph neural networks for semi-supervised classification have been widely studied. However, existing methods only use the information of limited neighbors and do not deal with the inter-class connections in graphs. In this paper, we propose Adaptive aggregation with Class-Attentive Diffusion (AdaCAD), a new aggregation scheme that adaptively aggregates nodes probably of the same class among K-hop neighbors. To this end, we first propose a novel stochastic process, called Class-Attentive Diffusion (CAD), that strengthens attention to intra-class nodes and attenuates attention to inter-class nodes. In contrast to the existing diffusion methods with a transition matrix determined solely by the graph structure, CAD considers both the node features and the graph structure with the design of our class-attentive transition matrix that utilizes a classifier. Then, we further propose an adaptive update scheme that leverages different reflection ratios of the diffusion result for each node depending on the local class-context. As the main advantage, AdaCAD alleviates the problem of undesired mixing of inter-class features caused by discrepancies between node labels and the graph topology. Built on AdaCAD, we construct a simple model called Class-Attentive Diffusion Network (CAD-Net). Extensive experiments on seven benchmark datasets consistently demonstrate the efficacy of the proposed method and our CAD-Net significantly outperforms the state-of-the-art methods. Code is available at https://github.com/ljin0429/CAD-Net.
Abstract（参考訳）: 近年,半教師付き分類のためのグラフニューラルネットワークが広く研究されている。しかし、既存の手法は限られた隣人の情報のみを使用し、グラフのクラス間接続を扱わない。本稿では,k-hop近傍において,おそらく同一クラスのノードを適応的に集約する新しいアグリゲーションスキームであるadacad(class-attentive diffusion)を用いた適応アグリゲーションを提案する。そこで我々はまず,クラス間拡散(cad)と呼ばれる新しい確率過程を提案し,クラス内ノードへの注目度を高め,クラス間ノードへの注意を弱める。グラフ構造のみによって決定される遷移行列を持つ既存の拡散法とは対照的に,CADはノードの特徴とグラフ構造の両方を,分類器を用いたクラス減衰遷移行列の設計により考慮している。さらに,局所クラスコンテキストに依存する各ノードに対する拡散結果の反射率の差を利用した適応的更新手法を提案する。主な利点として、AdaCADはノードラベルとグラフトポロジの相違に起因するクラス間特徴の望ましくない混合の問題を軽減する。 AdaCAD上に構築され,CAD-Netと呼ばれる単純なモデルを構築した。提案手法の有効性を連続的に検証し,CAD-Netは最先端の手法よりも優れていた。コードはhttps://github.com/ljin0429/CAD-Netで入手できる。

関連論文リスト

Inductive Graph Few-shot Class Incremental Learning [34.19083477893245]
本稿では,新しいノードを持つ新しいクラスを継続的に学習するインダクティブGFSCILを提案する。トランスダクティブGFSCILと比較して、インダクティブ設定は、アクセス不能な先行データにより破滅的忘れを悪化させる。そこで我々はTopology-based class Augmentation and Prototype calibrationと呼ばれる新しい手法を提案する。
論文参考訳（メタデータ） (2024-11-11T00:06:20Z)
Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。また,グラフ表現学習のための自己指導型事前学習手法を提案する。
論文参考訳（メタデータ） (2024-01-15T14:36:38Z)
Supervised Attention Using Homophily in Graph Neural Networks [26.77596449192451]
そこで本研究では,クラスラベルを共有するノード間の注目度を高めるための新しい手法を提案する。提案手法をいくつかのノード分類データセット上で評価し,標準ベースラインモデルよりも高い性能を示す。
論文参考訳（メタデータ） (2023-07-11T12:43:23Z)
NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文参考訳（メタデータ） (2023-06-14T09:21:15Z)
EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。提案手法はいくつかの最先端手法より一貫して優れている。
論文参考訳（メタデータ） (2022-11-19T09:08:43Z)
Graph Neural Network with Curriculum Learning for Imbalanced Node Classification [21.085314408929058]
グラフニューラルネットワーク(GNN)は,ノード分類などのグラフベースの学習タスクの新興技術である。本研究では,ノードラベルの不均衡に対するGNNの脆弱性を明らかにする。本稿では,2つのモジュールからなるカリキュラム学習(GNN-CL)を備えたグラフニューラルネットワークフレームワークを提案する。
論文参考訳（メタデータ） (2022-02-05T10:46:11Z)
Structure-Aware Label Smoothing for Graph Neural Networks [39.97741949184259]
ラベル分布を1ホットベクトルとして表現することは、ノード分類モデルのトレーニングにおいて一般的な方法である。本稿では,一般的なノード分類モデルに対する拡張成分として,新しいSALS(textitStructure-Aware Label Smoothing)法を提案する。
論文参考訳（メタデータ） (2021-12-01T13:48:58Z)
Graph Neural Networks with Feature and Structure Aware Random Walk [7.143879014059894]
典型的な好適なグラフでは、エッジを指向する可能性があり、エッジをそのまま扱うか、あるいは単純に非指向にするかは、GNNモデルの性能に大きな影響を与える。そこで我々は,グラフの方向性を適応的に学習するモデルを開発し,ノード間の長距離相関を生かした。
論文参考訳（メタデータ） (2021-11-19T08:54:21Z)
Attention-driven Graph Clustering Network [49.040136530379094]
我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。 AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。 AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
論文参考訳（メタデータ） (2021-08-12T02:30:38Z)
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)
Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
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。
論文参考訳（メタデータ） (2020-06-18T00:55:10Z)

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。