Fugu-MT 論文翻訳(概要): Cyclic Label Propagation for Graph Semi-supervised Learning

論文の概要: Cyclic Label Propagation for Graph Semi-supervised Learning

arxiv url: http://arxiv.org/abs/2011.11860v1
Date: Tue, 24 Nov 2020 02:55:40 GMT
ステータス: 処理完了
システム内更新日: 2022-09-21 13:45:52.998082
Title: Cyclic Label Propagation for Graph Semi-supervised Learning
Title（参考訳）: グラフ半教師付き学習のための周期ラベル伝播
Authors: Zhao Li, Yixin Liu, Zhen Zhang, Shirui Pan, Jianliang Gao, Jiajun Bu
Abstract要約: 本稿では,CycPropと呼ばれるグラフ半教師付き学習のための新しいフレームワークを提案する。 CycPropはGNNを周期的かつ相互に強化された方法でラベル伝播の過程に統合する。特に,提案するCycPropでは,GNNモジュールが学習したノード埋め込みをラベル伝搬による拡張情報で更新する。
参考スコア（独自算出の注目度）: 52.102251202186025
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Graph neural networks (GNNs) have emerged as effective approaches for graph analysis, especially in the scenario of semi-supervised learning. Despite its success, GNN often suffers from over-smoothing and over-fitting problems, which affects its performance on node classification tasks. We analyze that an alternative method, the label propagation algorithm (LPA), avoids the aforementioned problems thus it is a promising choice for graph semi-supervised learning. Nevertheless, the intrinsic limitations of LPA on feature exploitation and relation modeling make propagating labels become less effective. To overcome these limitations, we introduce a novel framework for graph semi-supervised learning termed as Cyclic Label Propagation (CycProp for abbreviation), which integrates GNNs into the process of label propagation in a cyclic and mutually reinforcing manner to exploit the advantages of both GNNs and LPA. In particular, our proposed CycProp updates the node embeddings learned by GNN module with the augmented information by label propagation, while fine-tunes the weighted graph of label propagation with the help of node embedding in turn. After the model converges, reliably predicted labels and informative node embeddings are obtained with the LPA and GNN modules respectively. Extensive experiments on various real-world datasets are conducted, and the experimental results empirically demonstrate that the proposed CycProp model can achieve relatively significant gains over the state-of-the-art methods.
Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、特に半教師付き学習のシナリオにおいて、グラフ解析の効果的なアプローチとして登場した。その成功にもかかわらず、GNNはノード分類タスクのパフォーマンスに影響を及ぼす過度にスムースな問題と過度に適合する問題に悩まされることが多い。本稿では,ラベル伝搬アルゴリズム (LPA) が上記の問題を回避し,グラフ半教師付き学習において有望な選択であることを示す。それでも、機能利用と関係モデリングにおけるLPAの本質的な制限は、ラベルの伝播を減少させる。これらの制限を克服するために,GNNを周期的かつ相互に強化した方法でラベル伝搬のプロセスに統合し,GNNとLPAの利点を活用する,CycProp(CycProp)と呼ばれるグラフ半教師付き学習のための新しいフレームワークを導入する。特に,提案するCycPropでは,GNNモジュールが学習したノード埋め込みをラベル伝搬による拡張情報で更新すると共に,ノード埋め込みの助けを借りてラベル伝搬の重み付きグラフを微調整する。モデルが収束すると、それぞれ LPA と GNN モジュールで確実に予測されたラベルと情報ノードの埋め込みが得られる。様々な実世界のデータセットに関する広範囲な実験を行い, 実験結果から, 提案するcycpropモデルが最先端の手法に対して比較的有意な利益を得られることを実証した。

関連論文リスト

DFA-GNN: Forward Learning of Graph Neural Networks by Direct Feedback Alignment [57.62885438406724]
グラフニューラルネットワークは、様々なアプリケーションにまたがる強力なパフォーマンスで認識されている。 BPには、その生物学的妥当性に挑戦する制限があり、グラフベースのタスクのためのトレーニングニューラルネットワークの効率、スケーラビリティ、並列性に影響を与える。半教師付き学習のケーススタディを用いて,GNNに適した新しい前方学習フレームワークであるDFA-GNNを提案する。
論文参考訳（メタデータ） (2024-06-04T07:24:51Z)
Breaking the Entanglement of Homophily and Heterophily in Semi-supervised Node Classification [25.831508778029097]
統計的観点から,ノードプロファイルとトポロジの関係を定量化するAMUDを提案する。また、AMUDのための新しい有向グラフ学習パラダイムとしてADPAを提案する。
論文参考訳（メタデータ） (2023-12-07T07:54:11Z)
Nonlinear Correct and Smooth for Semi-Supervised Learning [1.622641093702668]
グラフベースの半教師付き学習(GSSL)は様々なアプリケーションで成功している。非線型表現と高次表現を組み込むことで、既存の後処理アプローチを改善するCorrect and Smooth (NLCS)を提案する。
論文参考訳（メタデータ） (2023-10-09T14:33:32Z)
Label Deconvolution for Node Representation Learning on Large-scale Attributed Graphs against Learning Bias [75.44877675117749]
本稿では,GNNの逆写像に対する新しい,スケーラブルな近似による学習バイアスを軽減するために,ラベルの効率的な正規化手法,すなわちラベルのデコンボリューション(LD)を提案する。実験では、LDはOpen Graphデータセットのベンチマークで最先端のメソッドを大幅に上回っている。
論文参考訳（メタデータ） (2023-09-26T13:09:43Z)
Bregman Graph Neural Network [27.64062763929748]
ノード分類タスクでは、GNNによって誘導される滑らか化効果は、連結ノードの表現と過剰な均質化ラベルを同化する傾向がある。本稿では,Bregman 距離の概念に触発された GNN のための新しい二段階最適化フレームワークを提案する。
論文参考訳（メタデータ） (2023-09-12T23:54:24Z)
DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
論文参考訳（メタデータ） (2023-05-22T10:29:52Z)
Meta Propagation Networks for Graph Few-shot Semi-supervised Learning [39.96930762034581]
本稿では,この問題を解決するために,メタ学習アルゴリズムを用いた新しいネットワークアーキテクチャを提案する。基本的に,我々のMeta-PNフレームワークは,メタ学習ラベルの伝搬戦略を用いて,未ラベルノード上の高品質な擬似ラベルを推論する。我々のアプローチは、様々なベンチマークデータセットの既存の技術と比較して、容易で実質的なパフォーマンス向上を提供する。
論文参考訳（メタデータ） (2021-12-18T00:11:56Z)
Noise-robust Graph Learning by Estimating and Leveraging Pairwise Interactions [123.07967420310796]
本稿では,グラフ上のノイズノード分類のためのペアワイズフレームワークを提案することにより,そのギャップを埋める。 PI-GNNは、ノイズの多いノードクラスラベルからのポイントワイズ学習に加えて、PIを一次学習プロキシとして依存している。提案するフレームワークPI-GNNは,(1)PIラベルを適応的に推定する信頼度を考慮したPI推定モデル,(2)PIラベルを推定する疎結合トレーニング手法の2つの新しい構成要素に寄与する。
論文参考訳（メタデータ） (2021-06-14T14:23:08Z)
When Contrastive Learning Meets Active Learning: A Novel Graph Active Learning Paradigm with Self-Supervision [19.938379604834743]
本稿では,グラフニューラルネットワーク(GNN)の性能を最大化するための最も情報性の高いノードを発見することを目的とした,グラフ上のアクティブラーニング(AL)について検討する。比較学習(CL)の成功に触発され,グラフALをCLとシームレスに統合する新しいパラダイムを提案する。 5つの公開データセットに対する包括的かつ不確定な実験は、我々の手法が最先端技術よりも優れていることを示す。
論文参考訳（メタデータ） (2020-10-30T06:20:07Z)
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)

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。