論文の概要: Joint Use of Node Attributes and Proximity for Semi-Supervised Classification on Graphs

• arxiv url: http://arxiv.org/abs/2010.11536v2
• Date: Tue, 14 Sep 2021 10:04:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-04 08:01:01.874578
• Title: Joint Use of Node Attributes and Proximity for Semi-Supervised Classification on Graphs
• Title（参考訳）: グラフ上の半教師付き分類におけるノード属性と近接の併用
• Authors: Arpit Merchant, Michael Mathioudakis
• Abstract要約: 本稿では,属性とノード近接性を協調的に重み付けする生成確率モデルに基づいて,JANEの原理的アプローチを提案する。 ネットワークデータセットの多種多様な実験により、JANEは、汎用性と競争性能の望ましい組み合わせを示すことを示した。
• 参考スコア（独自算出の注目度）: 2.113059435430681
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The task of node classification is to infer unknown node labels, given the labels for some of the nodes along with the network structure and other node attributes. Typically, approaches for this task assume homophily, whereby neighboring nodes have similar attributes and a node's label can be predicted from the labels of its neighbors or other proximate (i.e., nearby) nodes in the network. However, such an assumption may not always hold -- in fact, there are cases where labels are better predicted from the individual attributes of each node rather than the labels of its proximate nodes. Ideally, node classification methods should flexibly adapt to a range of settings wherein unknown labels are predicted either from labels of proximate nodes, or individual node attributes, or partly both. In this paper, we propose a principled approach, JANE, based on a generative probabilistic model that jointly weighs the role of attributes and node proximity via embeddings in predicting labels. Our experiments on a variety of network datasets demonstrate that JANE exhibits the desired combination of versatility and competitive performance compared to standard baselines.
• Abstract（参考訳）: ノード分類のタスクは、ネットワーク構造や他のノード属性とともにいくつかのノードのラベルを与えられた未知のノードラベルを推測することである。 一般に、このタスクのアプローチはホモフィアを仮定し、近傍のノードは類似の属性を持ち、ノードのラベルは隣のノードまたはネットワーク内の他の近しいノードのラベルから予測できる。 しかし、そのような仮定が常に成り立つとは限らない - 実際、近位ノードのラベルではなく、各ノードの個々の属性からラベルが予測されるケースがある。 理想的には、ノード分類法は、未知のラベルが近位ノードのラベルや個々のノード属性、あるいはその両方から予測されるような設定に柔軟に対応すべきである。 本稿では,ラベル予測における埋め込みによる属性とノード近接の役割を共同で評価する,生成確率モデルに基づく原理的アプローチであるjaneを提案する。 ネットワークデータセットの多種多様な実験により、JANEは標準ベースラインと比較して、汎用性と競争性能の望ましい組み合わせを示すことを示した。

関連論文リスト

• Contrastive Meta-Learning for Few-shot Node Classification [54.36506013228169]
  少ないショットノード分類は、限定されたラベル付きノードのみを参照としてグラフ上のノードのラベルを予測することを目的としている。 グラフ上にCOSMICという新しい対照的なメタラーニングフレームワークを2つの重要な設計で作成する。
  論文  参考訳（メタデータ） (2023-06-27T02:22:45Z)
• Refined Edge Usage of Graph Neural Networks for Edge Prediction [51.06557652109059]
  We propose a novel edge prediction paradigm named Edge-aware Message PassIng neuRal nEtworks (EMPIRE)。 まず,各エッジをトポロジや監督のためにのみ使用するエッジ分割手法を提案する。 監視エッジで接続されたペアと接続されていないペアの差を強調するために、さらにメッセージを重み付けして、その差を反映できる相対的なペアを強調します。
  論文  参考訳（メタデータ） (2022-12-25T23:19:56Z)
• 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)
• A Variational Edge Partition Model for Supervised Graph Representation Learning [51.30365677476971]
  本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。 それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。 エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T14:37:50Z)
• Structure-Aware Label Smoothing for Graph Neural Networks [39.97741949184259]
  ラベル分布を1ホットベクトルとして表現することは、ノード分類モデルのトレーニングにおいて一般的な方法である。 本稿では,一般的なノード分類モデルに対する拡張成分として,新しいSALS(textitStructure-Aware Label Smoothing)法を提案する。
  論文  参考訳（メタデータ） (2021-12-01T13:48:58Z)
• Dynamic Labeling for Unlabeled Graph Neural Networks [34.65037955481084]
  グラフニューラルネットワーク(GNN)はそのアイデンティティ、タイプ、コンテンツによってノードをベクトルとして表現するためにノードの埋め込みに依存している。 既存のGNNは、ランダムなラベルをノードに割り当てるか、1つの埋め込みをすべてのノードに割り当てる。 本稿では,グラフ分類とノード分類という2種類の分類タスクにおける既存手法の限界を解析する。
  論文  参考訳（メタデータ） (2021-02-23T04:30:35Z)
• Label-Consistency based Graph Neural Networks for Semi-supervised Node Classification [47.753422069515366]
  グラフニューラルネットワーク(GNN)は,グラフに基づく半教師付きノード分類において顕著な成功を収めている。 本稿では,GNNにおけるノードの受容領域を拡大するために,ノードペアが接続されていないが同一のラベルを持つラベル一貫性に基づくグラフニューラルネットワーク(LC-GNN)を提案する。 ベンチマークデータセットの実験では、LC-GNNはグラフベースの半教師付きノード分類において従来のGNNよりも優れていた。
  論文  参考訳（メタデータ） (2020-07-27T11:17:46Z)
• Unifying Graph Convolutional Neural Networks and Label Propagation [73.82013612939507]
  LPAとGCNの関係を特徴・ラベルの平滑化と特徴・ラベルの影響の2点の観点から検討した。 理論解析に基づいて,ノード分類のためのGCNとLCAを統一するエンドツーエンドモデルを提案する。 我々のモデルは、既存の特徴に基づく注目モデルよりもタスク指向のノードラベルに基づく学習注意重みと見なすこともできる。
  論文  参考訳（メタデータ） (2020-02-17T03:23:13Z)
• 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。