論文の概要: Active Learning for Node Classification: The Additional Learning Ability
from Unlabelled Nodes
- arxiv url: http://arxiv.org/abs/2012.07065v1
- Date: Sun, 13 Dec 2020 13:59:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-09 16:31:12.970259
- Title: Active Learning for Node Classification: The Additional Learning Ability
from Unlabelled Nodes
- Title（参考訳）: ノード分類のためのアクティブラーニング:未学習ノードから追加の学習能力
- Authors: Juncheng Liu, Yiwei Wang, Bryan Hooi, Renchi Yang, Xiaokui Xiao
- Abstract要約: ラベル付け予算が限られているため、active learningはラベル付けするノードを慎重に選択することで、パフォーマンスの向上を目指している。
本研究は,ノード分類のための既存のアクティブラーニング手法が,単純な手法でかなり優れていることを示す。
ノード分類のための新しい潜在空間クラスタリングに基づくアクティブラーニング手法(LSCALE)を提案する。
- 参考スコア（独自算出の注目度）: 33.97571297149204
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Node classification on graph data is an important task on many practical
domains. However, it requires labels for training, which can be difficult or
expensive to obtain in practice. Given a limited labelling budget, active
learning aims to improve performance by carefully choosing which nodes to
label. Our empirical study shows that existing active learning methods for node
classification are considerably outperformed by a simple method which randomly
selects nodes to label and trains a linear classifier with labelled nodes and
unsupervised learning features. This indicates that existing methods do not
fully utilize the information present in unlabelled nodes as they only use
unlabelled nodes for label acquisition. In this paper, we utilize the
information in unlabelled nodes by using unsupervised learning features. We
propose a novel latent space clustering-based active learning method for node
classification (LSCALE). Specifically, to select nodes for labelling, our
method uses the K-Medoids clustering algorithm on a feature space based on the
dynamic combination of both unsupervised features and supervised features. In
addition, we design an incremental clustering module to avoid redundancy
between nodes selected at different steps. We conduct extensive experiments on
three public citation datasets and two co-authorship datasets, where our
proposed method LSCALE consistently and significantly outperforms the
state-of-the-art approaches by a large margin.
- Abstract（参考訳）: グラフデータのノード分類は多くの実践領域において重要なタスクである。
しかし、練習にはラベルが必要であり、実際には入手が困難または高価である。
ラベル付け予算が限られているため、active learningはラベル付けするノードを慎重に選択することで、パフォーマンスの向上を目指している。
本研究では,ノード分類のための既存のアクティブ学習手法が,ラベル付きノードをランダムに選択し,ラベル付きノードと教師なし学習機能を備えた線形分類器を訓練する単純な手法により,かなり優れていることを示す。
これは既存の手法がラベルのないノードに存在する情報を完全に利用していないことを示している。
本稿では,教師なし学習機能を用いて,ラベルなしノードにおける情報を利用する。
本稿では,ノード分類のための潜在空間クラスタリングに基づくアクティブラーニング手法を提案する。
具体的には、ラベル付けのためのノードを選択するために、教師なし特徴と教師なし特徴の両方の動的組み合わせに基づく特徴空間上のK-Medoidsクラスタリングアルゴリズムを用いる。
さらに,異なるステップで選択したノード間の冗長性を回避するために,インクリメンタルクラスタリングモジュールを設計する。
3つの公開引用データセットと2つの共著者データセットについて広範な実験を行い,提案手法のlscaleは最先端のアプローチを大きく上回っている。
関連論文リスト
- Inconsistency-Based Data-Centric Active Open-Set Annotation [6.652785290214744]
NEATは、オープンセットデータを積極的にアノテートするデータ中心のアクティブラーニング手法である。
NEATは、アクティブなオープンセットアノテーションのための最先端のアクティブな学習方法よりも、はるかに優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2024-01-10T04:18:02Z) - 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) - Dissimilar Nodes Improve Graph Active Learning [27.78519071553204]
能動学習のための3つの相似性に基づく情報スコア:特徴相似性スコア(FDS)、構造相似性スコア(SDS)、組込み相似性スコア(EDS)を紹介する。
新たに提案したスコアにより,分類精度が平均2.1%向上し,異なるグラフニューラルネットワークアーキテクチャへの一般化が可能となった。
論文 参考訳（メタデータ） (2022-12-05T01:00:37Z) - LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds [62.49198183539889]
我々は,LiDAR点雲を用いた屋外シーンのためのラベル効率のよいセマンティックセマンティックセマンティクスパイプラインを提案する。
本手法は,半弱教師付き学習を用いて,効率的なラベリング手法を設計する。
提案手法は,100%ラベル付き完全教師付き手法と比較して,さらに競争力が高い。
論文 参考訳（メタデータ） (2022-10-14T19:13:36Z) - 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) - Information Gain Propagation: a new way to Graph Active Learning with
Soft Labels [26.20597165750861]
グラフニューラルネットワーク(GNN)は様々なタスクで大きな成功を収めているが、その性能は多数のラベル付きノードに依存している。
GNNに基づくアクティブラーニング(AL)手法を提案し,ラベル付けに最も有用なノードを選択することにより,ラベル付け効率を向上させる。
提案手法は, 精度とラベル付けコストの両面から, 最先端のGNNベースのAL法よりも優れていた。
論文 参考訳（メタデータ） (2022-03-02T13:28:25Z) - Dual-Refinement: Joint Label and Feature Refinement for Unsupervised
Domain Adaptive Person Re-Identification [51.98150752331922]
Unsupervised Domain Adaptive (UDA) Person Re-identification (再ID) は、ターゲットドメインデータのラベルが欠落しているため、難しい作業です。
オフラインクラスタリングフェーズにおける擬似ラベルとオンライントレーニングフェーズにおける特徴を共同で改良する,デュアルリファインメントと呼ばれる新しいアプローチを提案する。
本手法は最先端手法を大きなマージンで上回っている。
論文 参考訳（メタデータ） (2020-12-26T07:35:35Z) - 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) - PseudoSeg: Designing Pseudo Labels for Semantic Segmentation [78.35515004654553]
ラベルなしまたは弱いラベル付きデータを用いたトレーニングのための構造化された擬似ラベルを生成するための擬似ラベルの再設計を提案する。
提案手法の有効性を,低データと高データの両方において示す。
論文 参考訳（メタデータ） (2020-10-19T17:59:30Z) - Active Learning for Coreference Resolution using Discrete Annotation [76.36423696634584]
我々は、コア参照解決におけるアクティブラーニングのためのペアワイズアノテーションを改善した。
提案された参照ペアがコアフェレントでないと判断された場合、アノテータに参照アンテセントを識別するよう依頼する。
既存のベンチマークコアベンチマークデータセットを用いた実験では、この追加質問からの信号が人間のアノテーション時間当たりの大幅なパフォーマンス向上につながることが示された。
論文 参考訳（メタデータ） (2020-04-28T17:17:11Z) - 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。