論文の概要: Graph Prototypical Networks for Few-shot Learning on Attributed Networks

• arxiv url: http://arxiv.org/abs/2006.12739v3
• Date: Fri, 27 Nov 2020 05:15:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 22:35:15.811607
• Title: Graph Prototypical Networks for Few-shot Learning on Attributed Networks
• Title（参考訳）: 分散ネットワーク上のFew-shot学習のためのグラフプロトタイプネットワーク
• Authors: Kaize Ding, Jianling Wang, Jundong Li, Kai Shu, Chenghao Liu, Huan Liu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 72.31180045017835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Attributed networks nowadays are ubiquitous in a myriad of high-impact applications, such as social network analysis, financial fraud detection, and drug discovery. As a central analytical task on attributed networks, node classification has received much attention in the research community. In real-world attributed networks, a large portion of node classes only contain limited labeled instances, rendering a long-tail node class distribution. Existing node classification algorithms are unequipped to handle the \textit{few-shot} node classes. As a remedy, few-shot learning has attracted a surge of attention in the research community. Yet, few-shot node classification remains a challenging problem as we need to address the following questions: (i) How to extract meta-knowledge from an attributed network for few-shot node classification? (ii) How to identify the informativeness of each labeled instance for building a robust and effective model? To answer these questions, in this paper, we propose a graph meta-learning framework -- Graph Prototypical Networks (GPN). By constructing a pool of semi-supervised node classification tasks to mimic the real test environment, GPN is able to perform \textit{meta-learning} on an attributed network and derive a highly generalizable model for handling the target classification task. Extensive experiments demonstrate the superior capability of GPN in few-shot node classification.
• Abstract（参考訳）: 現在、名指しネットワークは、ソーシャルネットワーク分析、金融不正検出、薬物発見など、無数のハイインパクトなアプリケーションで広く使われている。 属性ネットワークにおける中心的な分析課題として,ノード分類が研究コミュニティで注目されている。 実世界の属性ネットワークでは、ノードクラスの大部分は限定されたラベル付きインスタンスのみを含み、ロングテールノードクラス分布を描画する。 既存のノード分類アルゴリズムは、 \textit{few-shot}ノードクラスを処理できない。 治療として、数発の学習が研究コミュニティで注目を集めている。 しかし、ノードの分類は、以下の質問に答える必要があるため、依然として困難な問題である。 (i)数ショットノード分類のための属性ネットワークからメタ知識を抽出する方法 (ii)ロバストで効果的なモデルを構築するために各ラベル付きインスタンスのインフォメーションを識別するにはどうすればよいか? 本稿では,これらの質問に答えるために,グラフメタラーニングフレームワークであるgraph prototypical networks (gpn)を提案する。 実テスト環境を模倣する半教師付きノード分類タスクのプールを構築することにより、GPNは属性ネットワーク上で \textit{meta-learning} を実行し、ターゲット分類タスクを扱うための非常に一般化可能なモデルを導出することができる。 大規模な実験では、GPNが数発のノード分類において優れていることを示した。

関連論文リスト

• 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)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• Local, global and scale-dependent node roles [3.1473798197405944]
  本稿では、構造的同値性や自己同値性といったノード同値性の概念を再検討する。 我々は,すでに深度3,4の役割が,ノード分類タスクを高精度に行うのに十分な情報を持っていることを示す。
  論文  参考訳（メタデータ） (2021-05-26T14:54:26Z)
• Node2Seq: Towards Trainable Convolutions in Graph Neural Networks [59.378148590027735]
  今回提案するグラフネットワーク層であるNode2Seqは,隣接ノードの重みを明示的に調整可能なノード埋め込みを学習する。 対象ノードに対して,当手法は注意メカニズムを介して隣接ノードをソートし,さらに1D畳み込みニューラルネットワーク(CNN)を用いて情報集約のための明示的な重み付けを行う。 また, 特徴学習のための非局所的情報を, 注意スコアに基づいて適応的に組み込むことを提案する。
  論文  参考訳（メタデータ） (2021-01-06T03:05:37Z)
• Inductive Graph Embeddings through Locality Encodings [0.42970700836450487]
  ドメイン依存のノード/エッジ属性を使わずに,大規模ネットワークにインダクティブネットワークを組み込むことの問題点を考察する。 本稿では,学習アルゴリズムの基盤として,基本的定義済みの局所符号化を用いることを提案する。 本手法は,役割検出,リンク予測,ノード分類などのタスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-09-26T13:09:11Z)
• DINE: A Framework for Deep Incomplete Network Embedding [33.97952453310253]
  本稿では,ディープ不完全ネットワーク埋め込み,すなわちDINEを提案する。 まず、期待最大化フレームワークを用いて、部分的に観測可能なネットワーク内のノードとエッジの両方を含む欠落部分を完成させる。 マルチラベル分類およびリンク予測タスクにおいて,DINEを3つのネットワーク上で評価する。
  論文  参考訳（メタデータ） (2020-08-09T04:59:35Z)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)

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。