論文の概要: M-Evolve: Structural-Mapping-Based Data Augmentation for Graph Classification

• arxiv url: http://arxiv.org/abs/2007.05700v4
• Date: Sat, 3 Apr 2021 12:48:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-11 13:15:40.772658
• Title: M-Evolve: Structural-Mapping-Based Data Augmentation for Graph Classification
• Title（参考訳）: M-Evolve: グラフ分類のための構造マッピングに基づくデータ拡張
• Authors: Jiajun Zhou, Jie Shen, Shanqing Yu, Guanrong Chen, Qi Xuan
• Abstract要約: グラフにデータ拡張を導入し、小規模ベンチマークデータセットのための弱ラベル付きデータを生成する4つの方法を提案する。 また、グラフ拡張、データフィルタリング、モデル再学習を組み合わせたM-Evolveというモデル進化フレームワークを提案する。 6つのベンチマークデータセットの実験では、提案されたフレームワークは、既存のグラフ分類モデルが過度な適合と過度な一般化を緩和するのに役立つことが示されている。
• 参考スコア（独自算出の注目度）: 14.870761808683655
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph classification, which aims to identify the category labels of graphs, plays a significant role in drug classification, toxicity detection, protein analysis etc. However, the limitation of scale in the benchmark datasets makes it easy for graph classification models to fall into over-fitting and undergeneralization. To improve this, we introduce data augmentation on graphs (i.e. graph augmentation) and present four methods:random mapping, vertex-similarity mapping, motif-random mapping and motif-similarity mapping, to generate more weakly labeled data for small-scale benchmark datasets via heuristic transformation of graph structures. Furthermore, we propose a generic model evolution framework, named M-Evolve, which combines graph augmentation, data filtration and model retraining to optimize pre-trained graph classifiers. Experiments on six benchmark datasets demonstrate that the proposed framework helps existing graph classification models alleviate over-fitting and undergeneralization in the training on small-scale benchmark datasets, which successfully yields an average improvement of 3 - 13% accuracy on graph classification tasks.
• Abstract（参考訳）: グラフ分類は、グラフのカテゴリラベルを識別することを目的としており、薬物分類、毒性検出、タンパク質分析などにおいて重要な役割を果たす。 しかし、ベンチマークデータセットにおけるスケールの制限により、グラフ分類モデルは過度に適合し、過度に一般化される。 これを改善するために,グラフ上のデータ拡張(グラフ拡張)を導入し,グラフ構造のヒューリスティック変換による小規模ベンチマークデータセットに対するより弱いラベル付きデータを生成するために,ランダムマッピング,頂点相似マッピング,モチーフ相似マッピング,モチーフ相似マッピングという4つの方法を提案する。 さらに,事前学習されたグラフ分類器を最適化するために,グラフ拡張,データフィルタリング,モデルリトレーニングを組み合わせた汎用モデル進化フレームワークm-evolveを提案する。 6つのベンチマークデータセットの実験では、既存のグラフ分類モデルにより、小規模ベンチマークデータセットのトレーニングにおける過度な適合と過度な一般化が軽減され、グラフ分類タスクにおける平均3～13%の精度向上が達成された。

関連論文リスト

• TopER: Topological Embeddings in Graph Representation Learning [8.052380377159398]
  トポロジカル進化速度 (TopER) は、トポロジカルデータ解析に基づく低次元埋め込み手法である。 TopERはグラフ部分構造の進化率を計算することによって、重要な位相的アプローチである永続化ホモロジーを単純化する。 我々のモデルは、分類、クラスタリング、可視化といったタスクにおいて、分子、生物学的、ソーシャルネットワークのデータセットにまたがる最先端の結果を達成したり、超えたりします。
  論文  参考訳（メタデータ） (2024-10-02T17:31:33Z)
• GSpect: Spectral Filtering for Cross-Scale Graph Classification [9.800723513820046]
  クロススケールグラフ分類タスクのための高度なスペクトルグラフフィルタリングモデルであるGSpectを提案する。 オープンデータセットでは、GSpectは分類精度を平均1.62%改善し、ProteINSでは最大3.33%向上した。 GSpectは、クロススケールグラフ分類研究のギャップを埋め、脳疾患の診断のような応用研究を支援する可能性がある。
  論文  参考訳（メタデータ） (2024-08-31T03:26:32Z)
• GraphGLOW: Universal and Generalizable Structure Learning for Graph Neural Networks [72.01829954658889]
  本稿では,この新たな問題設定の数学的定義を紹介する。 一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。 十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
  論文  参考訳（メタデータ） (2023-06-20T03:33:22Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• GraphDCA -- a Framework for Node Distribution Comparison in Real and Synthetic Graphs [72.51835626235368]
  2つのグラフを比較するとき、ノード構造的特徴の分布は、グローバルグラフ統計よりも有益である、と我々は主張する。 本稿では,各ノード表現セットのアライメントに基づいてグラフ間の類似性を評価するフレームワークGraphDCAを提案する。
  論文  参考訳（メタデータ） (2022-02-08T14:19:19Z)
• Structure-Enhanced Meta-Learning For Few-Shot Graph Classification [53.54066611743269]
  本研究では,数点グラフ分類の解法のためのメトリベースメタラーニングの可能性を検討する。 SMFGINというGINの実装は、ChemblとTRIANGLESの2つのデータセットでテストされている。
  論文  参考訳（メタデータ） (2021-03-05T09:03:03Z)
• Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
  学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。 FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
  論文  参考訳（メタデータ） (2020-10-19T21:51:47Z)
• 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)
• Adaptive Graph Auto-Encoder for General Data Clustering [90.8576971748142]
  グラフベースのクラスタリングは、クラスタリング領域において重要な役割を果たす。 グラフ畳み込みニューラルネットワークに関する最近の研究は、グラフ型データにおいて驚くべき成功を収めている。 本稿では,グラフの生成的視点に応じて適応的にグラフを構成する汎用データクラスタリングのためのグラフ自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2020-02-20T10:11:28Z)

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。