Fugu-MT 論文翻訳(概要): Beyond Observed Connections : Link Injection

論文の概要: Beyond Observed Connections : Link Injection

arxiv url: http://arxiv.org/abs/2009.04447v1
Date: Wed, 2 Sep 2020 14:22:23 GMT
ステータス: 処理完了
システム内更新日: 2022-10-22 19:03:07.171625
Title: Beyond Observed Connections : Link Injection
Title（参考訳）: 観測された接続を超えて : リンクインジェクション
Authors: Jie Bu, M. Maruf, Arka Daw
Abstract要約: textitlinkインジェクションは、差分可能なグラフ機械学習モデルが入力データから観測された接続を超えるのに役立つ。我々は,一連の最先端グラフ畳み込みネットワークを用いて,ノード分類とリンク予測のタスクについて評価する。
参考スコア（独自算出の注目度）: 4.297070083645049
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we proposed the \textit{link injection}, a novel method that helps any differentiable graph machine learning models to go beyond observed connections from the input data in an end-to-end learning fashion. It finds out (weak) connections in favor of the current task that is not present in the input data via a parametric link injection layer. We evaluate our method on both node classification and link prediction tasks using a series of state-of-the-art graph convolution networks. Results show that the link injection helps a variety of models to achieve better performances on both applications. Further empirical analysis shows a great potential of this method in efficiently exploiting unseen connections from the injected links.
Abstract（参考訳）: 本稿では,任意のグラフ機械学習モデルが,エンド・ツー・エンドの学習方法で入力データから観測された接続を超えることを支援する,新しい手法である \textit{link injection} を提案する。パラメトリックリンク注入層を介して入力データに存在しない現在のタスクに有利な(弱い)接続を見つけ出す。本手法は,最先端グラフ畳み込みネットワークを用いてノード分類とリンク予測の両方のタスクで評価する。その結果、リンクインジェクションは、さまざまなモデルが両方のアプリケーションでより良いパフォーマンスを達成するのに役立ちます。さらなる実証分析は、注入されたリンクから見えない接続を効率的に活用する上で、この手法の大きな可能性を示している。

関連論文リスト

CONVERT:Contrastive Graph Clustering with Reliable Augmentation [110.46658439733106]
信頼性オーグメンテーション(CONVERT)を用いたContrastiVe Graph ClustEringネットワークを提案する。本手法では,データ拡張を可逆的パーターブ・リカバリネットワークにより処理する。セマンティクスの信頼性をさらに保証するために、ネットワークを制約する新たなセマンティクス損失が提示される。
論文参考訳（メタデータ） (2023-08-17T13:07:09Z)
Learnable Graph Matching: A Practical Paradigm for Data Association [74.28753343714858]
これらの問題に対処するための一般的な学習可能なグラフマッチング法を提案する。提案手法は,複数のMOTデータセット上での最先端性能を実現する。画像マッチングでは,一般的な屋内データセットであるScanNetで最先端の手法より優れている。
論文参考訳（メタデータ） (2023-03-27T17:39:00Z)
Generative Graph Neural Networks for Link Prediction [13.643916060589463]
欠落したリンクを推測したり、観測されたグラフに基づいて急激なリンクを検出することは、グラフデータ分析における長年の課題である。本稿では,GraphLPと呼ばれるネットワーク再構成理論に基づく,新しい,根本的に異なるリンク予測アルゴリズムを提案する。リンク予測に使用される識別ニューラルネットワークモデルとは異なり、GraphLPは生成可能であり、ニューラルネットワークベースのリンク予測の新しいパラダイムを提供する。
論文参考訳（メタデータ） (2022-12-31T10:07:19Z)
Similarity-aware Positive Instance Sampling for Graph Contrastive Pre-training [82.68805025636165]
トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
論文参考訳（メタデータ） (2022-06-23T20:12:51Z)
Density-Aware Hyper-Graph Neural Networks for Graph-based Semi-supervised Node Classification [3.698434507617248]
本稿では,密度認識型ハイパーグラフニューラルネットワーク(DA-HGNN)を提案する。提案手法では,データ間の高次セマンティック相関を探索するためにハイパーグラフを提供し,高次接続関係を探索するために密度対応ハイパーグラフアテンションネットワークを提案する。
論文参考訳（メタデータ） (2022-01-27T13:43:14Z)
Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文参考訳（メタデータ） (2021-12-15T01:45:32Z)
Light Field Saliency Detection with Dual Local Graph Learning andReciprocative Guidance [148.9832328803202]
我々は、グラフネットワークを介して焦点スタック内のインフォメーション融合をモデル化する。我々は、全焦点パタンを用いて焦点スタック融合過程をガイドする新しいデュアルグラフモデルを構築した。
論文参考訳（メタデータ） (2021-10-02T00:54:39Z)
Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
論文参考訳（メタデータ） (2021-09-01T08:24:02Z)
Graph Fairing Convolutional Networks for Anomaly Detection [7.070726553564701]
半教師付き異常検出のためのスキップ接続付きグラフ畳み込みネットワークを提案する。本モデルの有効性は,5つのベンチマークデータセットに対する広範な実験によって実証された。
論文参考訳（メタデータ） (2020-10-20T13:45:47Z)
Self-supervised Auxiliary Learning with Meta-paths for Heterogeneous Graphs [21.617020380894488]
ヘテロジニアスグラフ上のグラフニューラルネットワークを学習するための,新しい自己教師付き補助学習法を提案する。本手法は,任意のグラフニューラルネットワークに対して,手動ラベリングや追加データなしでプラグイン方式で適用することができる。
論文参考訳（メタデータ） (2020-07-16T12:32:11Z)
Inductive Link Prediction for Nodes Having Only Attribute Information [21.714834749122137]
属性グラフでは、構造情報と属性情報の両方をリンク予測に利用することができる。 2つのノード埋め込みエンコーダと1つのアライメント機構からなるDEALモデルを提案する。提案手法は,既存のインダクティブリンク予測手法よりも優れ,また,トランスダクティブリンク予測における最先端手法よりも優れる。
論文参考訳（メタデータ） (2020-07-16T00:51:51Z)

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。