論文の概要: A Consistent Diffusion-Based Algorithm for Semi-Supervised Classification on Graphs

• arxiv url: http://arxiv.org/abs/2008.11944v1
• Date: Thu, 27 Aug 2020 06:52:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-10-24 08:21:45.753443
• Title: A Consistent Diffusion-Based Algorithm for Semi-Supervised Classification on Graphs
• Title（参考訳）: グラフ上の半教師付き分類のための一貫性拡散に基づくアルゴリズム
• Authors: Nathan de Lara (IP Paris), Thomas Bonald (IP Paris)
• Abstract要約: グラフ上の半教師付き分類は、シードと呼ばれるいくつかのノードで知られているラベルに基づいて、グラフのすべてのノードにラベルを割り当てることを目的としている。 この単純なアルゴリズムの修正は、実データに対して大きな性能向上をもたらすのに十分であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semi-supervised classification on graphs aims at assigning labels to all nodes of a graph based on the labels known for a few nodes, called the seeds. The most popular algorithm relies on the principle of heat diffusion, where the labels of the seeds are spread by thermo-conductance and the temperature of each node is used as a score function for each label. Using a simple block model, we prove that this algorithm is not consistent unless the temperatures of the nodes are centered before classification. We show that this simple modification of the algorithm is enough to get significant performance gains on real data.
• Abstract（参考訳）: グラフ上の半教師付き分類は、種と呼ばれるいくつかのノードで知られているラベルに基づいて、グラフのすべてのノードにラベルを割り当てることを目的としている。 最も一般的なアルゴリズムは熱拡散の原理に依存し、種子のラベルが熱伝導によって拡散され、各ノードの温度が各ラベルのスコア関数として使用される。 単純なブロックモデルを用いて,ノードの温度が分類前に集中しない限り,このアルゴリズムは整合性がないことを示す。 この単純なアルゴリズムの修正は、実データに対して大きな性能向上をもたらすのに十分であることを示す。

関連論文リスト

• A Consistent Diffusion-Based Algorithm for Semi-Supervised Graph Learning [0.0]
  本稿では,平衡点の温度が点数よりも先に集中しない限り,このアルゴリズムは整合性がないことを示す。 この決定的なステップは、アルゴリズムをブロックモデル上で証明可能な一貫性を持たせるだけでなく、実際のグラフに対して大きなパフォーマンス向上をもたらす。
  論文  参考訳（メタデータ） (2023-11-13T08:42:17Z)
• Local Graph Clustering with Noisy Labels [8.142265733890918]
  本稿では,ノード情報追加のプロキシとしてノイズの多いノードラベルを用いた局所グラフクラスタリングを提案する。 この設定では、ノードはクラスタのアフィリエイトに基づいて初期バイナリラベルを受け取る。 属性グラフから数個のサンプルを用いて,信頼性の高いノードラベルが得られることを示す。
  論文  参考訳（メタデータ） (2023-10-12T04:37:15Z)
• UNREAL:Unlabeled Nodes Retrieval and Labeling for Heavily-imbalanced Node Classification [17.23736166919287]
  スクイードラベルの分布は実世界のノード分類タスクでよく見られる。 本稿では,反復的なオーバーサンプリング手法UNREALを提案する。
  論文  参考訳（メタデータ） (2023-03-18T09:23:13Z)
• Semi-Supervised Hierarchical Graph Classification [54.25165160435073]
  ノードがグラフのインスタンスである階層グラフにおけるノード分類問題について検討する。 本稿では階層グラフ相互情報(HGMI)を提案し,理論的保証をもってHGMIを計算する方法を提案する。 本稿では,この階層グラフモデリングとSEAL-CI法がテキストおよびソーシャルネットワークデータに与える影響を実証する。
  論文  参考訳（メタデータ） (2022-06-11T04:05:29Z)
• Label-Enhanced Graph Neural Network for Semi-supervised Node Classification [32.64730237473914]
  グラフニューラルネットワーク(GNN)のためのラベル強化学習フレームワークを提案する。 まず、各ラベルをクラス内のノードの仮想センターとしてモデル化し、次にノードとラベルの両方の表現を共同で学習する。 提案手法は,同一クラスに属するノードの表現を円滑に行うだけでなく,ラベルセマンティクスをGNNの学習プロセスに明示的にエンコードする。
  論文  参考訳（メタデータ） (2022-05-31T09:48:47Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)
• Topology-Aware Graph Pooling Networks [51.9008939769679]
  ポーリング操作はコンピュータビジョンや自然言語処理タスクに有効である。 グラフデータ上でプーリング操作を実行する上での課題のひとつは、グラフ上で明確に定義されていない局所性の欠如である。 本稿では,グラフトポロジを明示的に考慮したトポロジ対応プーリング(TAP)層を提案する。
  論文  参考訳（メタデータ） (2020-10-19T20:14:30Z)
• 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)
• 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)
• Factorized Graph Representations for Semi-Supervised Learning from Sparse Data [8.875598257768846]
  極端に粗いラベル付きグラフでも、遠隔互換性推定と呼ばれる手法が有効であることを示す。 我々の推定器は代替手法よりも桁違いに高速であり、エンドツーエンドの分類精度は金の標準適合性に匹敵するものである。
  論文  参考訳（メタデータ） (2020-03-05T18:57:45Z)
• Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
  半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。 推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。 4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
  論文  参考訳（メタデータ） (2020-01-17T02:52:30Z)

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。