論文の概要: Semi-Supervised Node Classification by Graph Convolutional Networks and Extracted Side Information

• arxiv url: http://arxiv.org/abs/2009.13734v2
• Date: Fri, 13 Nov 2020 19:18:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-10-13 05:52:50.659018
• Title: Semi-Supervised Node Classification by Graph Convolutional Networks and Extracted Side Information
• Title（参考訳）: グラフ畳み込みネットワークと抽出側情報による半監督ノード分類
• Authors: Mohammad Esmaeili, and Aria Nosratinia
• Abstract要約: 本稿では,グラフ畳み込みネットワーク(GCN)による半教師付きシナリオにおけるノード分類タスクを再検討する。 目標は、明らかにされたノードラベルの周りに流通する情報のフローの恩恵を受けることだ。
• 参考スコア（独自算出の注目度）: 18.07347677181108
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The nodes of a graph existing in a cluster are more likely to connect to each other than with other nodes in the graph. Then revealing some information about some nodes, the structure of the graph (graph edges) provides this opportunity to know more information about other nodes. From this perspective, this paper revisits the node classification task in a semi-supervised scenario by graph convolutional networks (GCNs). The goal is to benefit from the flow of information that circulates around the revealed node labels. The contribution of this paper is twofold. First, this paper provides a method for extracting side information from a graph realization. Then a new GCN architecture is presented that combines the output of traditional GCN and the extracted side information. Another contribution of this paper is relevant to non-graph observations (independent side information) that exists beside a graph realization in many applications. Indeed, the extracted side information can be replaced by a sequence of side information that is independent of the graph structure. For both cases, the experiments on synthetic and real-world datasets demonstrate that the proposed model achieves a higher prediction accuracy in comparison to the existing state-of-the-art methods for the node classification task.
• Abstract（参考訳）: クラスタに存在するグラフのノードは、グラフ内の他のノードよりも互いに接続する可能性が高い。 その後、いくつかのノードに関する情報を公開し、グラフの構造(グラフエッジ)が他のノードに関する情報を知る機会を提供する。 本稿では,グラフ畳み込みネットワーク(gcns)による半教師ありシナリオにおけるノード分類タスクを再検討する。 目的は、明らかにされたノードラベルの周りに循環する情報の流れの恩恵を受けることである。 この論文の貢献は2つある。 まず,グラフ認識から側情報を抽出する手法を提案する。 次に、従来のGCNの出力と抽出された側情報を組み合わせた新しいGCNアーキテクチャを示す。 この論文のもう一つの貢献は、多くのアプリケーションにおいてグラフ実現の傍に存在する非グラフ観測(非依存側情報)に関係している。 実際、抽出された側情報は、グラフ構造とは独立した側情報列に置き換えることができる。 いずれの場合においても,合成データと実世界のデータを用いた実験により,提案手法が従来のノード分類手法と比較して高い予測精度を達成できることが示されている。

関連論文リスト

• Self-Attention Empowered Graph Convolutional Network for Structure Learning and Node Embedding [5.164875580197953]
  グラフ構造化データの表現学習では、多くの人気のあるグラフニューラルネットワーク(GNN)が長距離依存をキャプチャできない。 本稿では,自己注意型グラフ畳み込みネットワーク(GCN-SA)と呼ばれる新しいグラフ学習フレームワークを提案する。 提案手法はノードレベルの表現学習において例外的な一般化能力を示す。
  論文  参考訳（メタデータ） (2024-03-06T05:00:31Z)
• Saliency-Aware Regularized Graph Neural Network [39.82009838086267]
  グラフ分類のためのSAR-GNN(Saliency-Aware Regularized Graph Neural Network)を提案する。 まず,コンパクトなグラフ表現とノード特徴とのセマンティックな類似性を測定することで,グローバルノードの正当性を推定する。 そして、学習した塩分濃度分布を利用して、背骨の近傍集合を規則化する。
  論文  参考訳（メタデータ） (2024-01-01T13:44:16Z)
• Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
  本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。 Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-05-18T07:27:18Z)
• 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)
• SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
  本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。 まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。 次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。 最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
  論文  参考訳（メタデータ） (2021-12-12T14:18:18Z)
• Asymmetric Graph Representation Learning [13.195785825237621]
  情報フローが非対称であり、有向グラフにつながる膨大なアプリケーション。 有向エッジは、情報はスタートノードからエンドノードまでしか転送できないが、後方には転送できないことを示す。 このような一方的な情報伝達を取り入れたグラフ解析のための,シンプルかつ極めて効果的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-14T15:03:18Z)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)
• Schema-Aware Deep Graph Convolutional Networks for Heterogeneous Graphs [10.526065883783899]
  グラフ畳み込みネットワーク(GCN)に基づくアプローチは、複雑でグラフ構造化された問題を解決するために大きな進歩を遂げた。 我々はGCNフレームワーク「深部不均一グラフ畳み込みネットワーク(DHGCN)」を提案する。 それは異種グラフのスキーマを利用し、多くのホップを効果的に活用するために階層的アプローチを使用します。
  論文  参考訳（メタデータ） (2021-05-03T06:24:27Z)
• SPAGAN: Shortest Path Graph Attention Network [187.75441278910708]
  グラフ畳み込みネットワーク(GCN)は最近、グラフとして表現できる非グリッド構造データを分析する可能性を示した。 本研究では,SPAGAN (Shortest Path Graph Attention Network) と呼ばれる新しいGCNモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-10T03:18:34Z)
• Graph InfoClust: Leveraging cluster-level node information for unsupervised graph representation learning [12.592903558338444]
  本稿では,グラフ InfoClust というグラフ表現学習手法を提案する。 同社はさらに、クラスタレベルの情報コンテンツをキャプチャしようとしている。 この最適化により、ノード表現はよりリッチな情報とノイズ相互作用をキャプチャし、それによって品質が向上する。
  論文  参考訳（メタデータ） (2020-09-15T09:33:20Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)

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。