論文の概要: Handling Missing Data with Graph Representation Learning

• arxiv url: http://arxiv.org/abs/2010.16418v1
• Date: Fri, 30 Oct 2020 17:59:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-01 16:27:02.532613
• Title: Handling Missing Data with Graph Representation Learning
• Title（参考訳）: グラフ表現学習による欠落データ処理
• Authors: Jiaxuan You, Xiaobai Ma, Daisy Yi Ding, Mykel Kochenderfer, Jure Leskovec
• Abstract要約: 特徴量計算とラベル予測のためのグラフベースのフレームワークであるGRAPEを提案する。 GRAPEでは,特徴計算をエッジレベル予測タスク,ラベル予測をノードレベル予測タスクとして定式化する。 9つのベンチマークデータセットによる実験結果から、GRAPEは計算タスクの平均絶対誤差を20%低く、ラベル予測タスクを10%低くすることがわかった。
• 参考スコア（独自算出の注目度）: 62.59831675688714
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning with missing data has been approached in two different ways, including feature imputation where missing feature values are estimated based on observed values, and label prediction where downstream labels are learned directly from incomplete data. However, existing imputation models tend to have strong prior assumptions and cannot learn from downstream tasks, while models targeting label prediction often involve heuristics and can encounter scalability issues. Here we propose GRAPE, a graph-based framework for feature imputation as well as label prediction. GRAPE tackles the missing data problem using a graph representation, where the observations and features are viewed as two types of nodes in a bipartite graph, and the observed feature values as edges. Under the GRAPE framework, the feature imputation is formulated as an edge-level prediction task and the label prediction as a node-level prediction task. These tasks are then solved with Graph Neural Networks. Experimental results on nine benchmark datasets show that GRAPE yields 20% lower mean absolute error for imputation tasks and 10% lower for label prediction tasks, compared with existing state-of-the-art methods.
• Abstract（参考訳）: データの欠落した機械学習は、観測された値に基づいて特徴値の欠落を推定する機能インプテーションと、不完全なデータから直接下流ラベルを学習するラベル予測の2つの方法によってアプローチされている。 しかし、既存の計算モデルには事前仮定が強く、下流のタスクから学べない傾向があり、ラベル予測を対象とするモデルはヒューリスティックスを伴い、スケーラビリティの問題に遭遇することがある。 本稿では,特徴量計算とラベル予測のためのグラフベースのフレームワークであるGRAPEを提案する。 GRAPEはグラフ表現を用いて欠落したデータ問題に対処し、観察と特徴を二部グラフ内の2種類のノードと見なし、観察された特徴値をエッジとみなす。 GRAPEフレームワークでは,特徴計算をエッジレベルの予測タスクとして,ラベル予測をノードレベルの予測タスクとして定式化する。 これらのタスクは、Graph Neural Networksで解決される。 9つのベンチマークデータセットによる実験結果から、GRAPEは計算タスクの平均絶対誤差を20%低く、ラベル予測タスクを10%低くすることがわかった。

関連論文リスト

• Mitigating Label Noise on Graph via Topological Sample Selection [72.86862597508077]
  トポロジ情報を活用することで,グラフ内の情報的サンプル選択プロセスを促進できる$textitTopological Sample Selection$ (TSS)法を提案する。 提案手法は,対象のクリーン分布下での予測されるリスク上限の上限を最小化し,最先端のベースラインと比較して,提案手法の優位性を実験的に示す。
  論文  参考訳（メタデータ） (2024-03-04T11:24:51Z)
• Towards Self-Interpretable Graph-Level Anomaly Detection [73.1152604947837]
  グラフレベルの異常検出(GLAD)は、コレクションの大多数と比べて顕著な相違を示すグラフを識別することを目的としている。 本稿では,異常なグラフを検出し,同時に情報的説明を生成する自己解釈グラフaNomaly dETectionモデル(SIGNET)を提案する。
  論文  参考訳（メタデータ） (2023-10-25T10:10:07Z)
• Towards Semi-supervised Universal Graph Classification [6.339931887475018]
  半教師付き普遍グラフ分類の問題について検討する。 ラベルの不足と潜在的なクラスシフトのため、この問題は難しい。 サブグラフの観点からラベル付けされていないデータを最大限に活用する新しいグラフニューラルネットワークフレームワークUGNNを提案する。
  論文  参考訳（メタデータ） (2023-05-31T06:58:34Z)
• Semi-Supervised Graph Imbalanced Regression [17.733488328772943]
  本稿では,学習データを段階的にバランスさせ,自己学習によるモデルバイアスを低減するための半教師付きフレームワークを提案する。 その結果,提案フレームワークは予測されたグラフ特性の誤差を著しく低減することがわかった。
  論文  参考訳（メタデータ） (2023-05-20T04:11:00Z)
• Data-Centric Learning from Unlabeled Graphs with Diffusion Model [21.417410006246147]
  本稿では,ラベルのないグラフの集合を有用なデータポイントの特定の集合として抽出する。 拡散モデルを用いて、ラベルのないグラフを完全に活用し、2つの新しい目的を設計し、モデルの認知過程を導出する。 実験により、我々のデータ中心のアプローチは15のタスクで既存の15のメソッドよりもはるかに優れていることが示された。
  論文  参考訳（メタデータ） (2023-03-17T16:39:21Z)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• Graph Self-supervised Learning with Accurate Discrepancy Learning [64.69095775258164]
  離散性に基づく自己監督型LeArning(D-SLA)と呼ばれる原図と摂動グラフの正確な相違を学習することを目的としたフレームワークを提案する。 本稿では,分子特性予測,タンパク質機能予測,リンク予測タスクなど,グラフ関連下流タスクにおける本手法の有効性を検証する。
  論文  参考訳（メタデータ） (2022-02-07T08:04:59Z)
• Node Classification Meets Link Prediction on Knowledge Graphs [16.37145148171519]
  不完全グラフ上のトランスダクティブノード分類の問題とノード特徴を持つグラフ上のリンク予測について検討する。 ノード分類とリンク予測のための各最先端モデルと比較すると,本モデルは非常に強く機能する。
  論文  参考訳（メタデータ） (2021-06-14T10:52:52Z)
• 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)

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。