論文の概要: Graph Policy Network for Transferable Active Learning on Graphs

• arxiv url: http://arxiv.org/abs/2006.13463v2
• Date: Fri, 23 Oct 2020 12:53:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 08:56:06.074390
• Title: Graph Policy Network for Transferable Active Learning on Graphs
• Title（参考訳）: グラフ上での移動可能なアクティブラーニングのためのグラフポリシーネットワーク
• Authors: Shengding Hu, Zheng Xiong, Meng Qu, Xingdi Yuan, Marc-Alexandre C\^ot\'e, Zhiyuan Liu and Jian Tang
• Abstract要約: グラフニューラルネットワーク(GNN)は、さまざまな分野における単純さと有効性から、人気が高まっている。 我々は、GNNのアクティブラーニング、グラフ上のノードを効率的にラベル付けして、GNNのトレーニングのアノテーションコストを削減する方法について研究する。
• 参考スコア（独自算出の注目度）: 42.74749865212905
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph neural networks (GNNs) have been attracting increasing popularity due to their simplicity and effectiveness in a variety of fields. However, a large number of labeled data is generally required to train these networks, which could be very expensive to obtain in some domains. In this paper, we study active learning for GNNs, i.e., how to efficiently label the nodes on a graph to reduce the annotation cost of training GNNs. We formulate the problem as a sequential decision process on graphs and train a GNN-based policy network with reinforcement learning to learn the optimal query strategy. By jointly training on several source graphs with full labels, we learn a transferable active learning policy which can directly generalize to unlabeled target graphs. Experimental results on multiple datasets from different domains prove the effectiveness of the learned policy in promoting active learning performance in both settings of transferring between graphs in the same domain and across different domains.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、さまざまな分野における単純さと有効性から、人気が高まっている。 しかし、一般にこれらのネットワークのトレーニングには大量のラベル付きデータが必要であるため、一部のドメインでは取得に非常にコストがかかる可能性がある。 本稿では,GNNに対するアクティブラーニング,すなわちグラフ上のノードを効率的にラベル付けして,GNNのトレーニングに要するアノテーションコストを削減する方法について検討する。 本稿では,グラフ上の逐次決定プロセスとして問題を定式化し,gnnベースのポリシーネットワークを学習し,最適なクエリ戦略を学習する。 完全なラベルを持つ複数のソースグラフを共同でトレーニングすることで、ラベルなしのターゲットグラフに直接一般化可能な、転送可能なアクティブラーニングポリシを学習する。 異なるドメインからの複数のデータセットに対する実験結果は、同一ドメイン内のグラフ間および異なるドメイン間でのグラフ転送の設定において、アクティブな学習性能を促進するための学習ポリシーの有効性を証明した。

関連論文リスト

• GraphLoRA: Structure-Aware Contrastive Low-Rank Adaptation for Cross-Graph Transfer Learning [17.85404473268992]
  グラフニューラルネットワーク(GNN)は、様々なグラフ解析タスクを扱うのに顕著な習熟度を示した。 汎用性にもかかわらず、GNNはトランスファービリティにおいて重大な課題に直面し、現実のアプリケーションでの利用を制限している。 グラフ領域によく訓練されたGNNを転送するための有効かつパラメータ効率のよいGraphLoRAを提案する。
  論文  参考訳（メタデータ） (2024-09-25T06:57:42Z)
• Training Graph Neural Networks on Growing Stochastic Graphs [114.75710379125412]
  グラフニューラルネットワーク(GNN)は、ネットワーク化されたデータの意味のあるパターンを活用するために、グラフ畳み込みに依存している。 我々は,成長するグラフ列の極限オブジェクトであるグラフオンを利用して,非常に大きなグラフ上のGNNを学習することを提案する。
  論文  参考訳（メタデータ） (2022-10-27T16:00:45Z)
• KGNN: Harnessing Kernel-based Networks for Semi-supervised Graph Classification [13.419578861488226]
  半教師付きグラフ分類のための Kernel-based Graph Neural Network (KGNN) を提案する。 我々は,KGNNが競争ベースラインよりも優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2022-05-21T10:03:46Z)
• 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)
• CogDL: A Comprehensive Library for Graph Deep Learning [55.694091294633054]
  研究者や実践者が実験を行い、メソッドを比較し、簡単かつ効率的にアプリケーションを構築することができるグラフ深層学習ライブラリであるCogDLを紹介します。 CogDLでは,様々なグラフタスクに対するGNNモデルのトレーニングと評価のための統一設計を提案し,既存のグラフ学習ライブラリに固有のものである。 我々はCogDLのための効率的なスパース演算子を開発し、効率性のための最も競争力のあるグラフライブラリとなる。
  論文  参考訳（メタデータ） (2021-03-01T12:35:16Z)
• Scaling Graph Neural Networks with Approximate PageRank [64.92311737049054]
  GNNにおける情報拡散の効率的な近似を利用したPPRGoモデルを提案する。 高速であることに加えて、PPRGoは本質的にスケーラブルであり、業界設定で見られるような大規模なデータセットに対して、自明に並列化することができる。 このグラフのすべてのノードに対するPPRGoのトレーニングとラベルの予測には1台のマシンで2分未満で、同じグラフ上の他のベースラインをはるかに上回ります。
  論文  参考訳（メタデータ） (2020-07-03T09:30:07Z)
• GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
  グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。 自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-17T16:18:35Z)

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。