論文の概要: Leveraging Meta-path Contexts for Classification in Heterogeneous Information Networks

• arxiv url: http://arxiv.org/abs/2012.10024v2
• Date: Sun, 21 Feb 2021 02:07:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-01 18:00:59.142717
• Title: Leveraging Meta-path Contexts for Classification in Heterogeneous Information Networks
• Title（参考訳）: 異種情報ネットワークの分類におけるメタパスコンテキストの活用
• Authors: Xiang Li, Danhao Ding, Ben Kao, Yizhou Sun, Nikos Mamoulis
• Abstract要約: 異種情報ネットワーク(HIN)におけるオブジェクトの分類問題について検討する。 そこで本研究では,グラフニューラルネットワークモデルであるConCHを提案する。 ConCHは、分類問題を半教師付き学習と自己監督型学習を組み合わせたマルチタスク学習問題として定式化し、ラベル付きデータとラベルなしデータの両方から学習する。
• 参考スコア（独自算出の注目度）: 37.68525327216515
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: A heterogeneous information network (HIN) has as vertices objects of different types and as edges the relations between objects, which are also of various types. We study the problem of classifying objects in HINs. Most existing methods perform poorly when given scarce labeled objects as training sets, and methods that improve classification accuracy under such scenarios are often computationally expensive. To address these problems, we propose ConCH, a graph neural network model. ConCH formulates the classification problem as a multi-task learning problem that combines semi-supervised learning with self-supervised learning to learn from both labeled and unlabeled data. ConCH employs meta-paths, which are sequences of object types that capture semantic relationships between objects. ConCH co-derives object embeddings and context embeddings via graph convolution. It also uses the attention mechanism to fuse such embeddings. We conduct extensive experiments to evaluate the performance of ConCH against other 15 classification methods. Our results show that ConCH is an effective and efficient method for HIN classification.
• Abstract（参考訳）: 異種情報ネットワーク(HIN)は、異なるタイプのオブジェクトを頂点として、また様々なタイプのオブジェクト間の関係をエッジとして持つ。 HINにおけるオブジェクトの分類問題について検討する。 既存の手法の多くは、ラベル付きオブジェクトをトレーニングセットとして与えたときに性能が悪く、そのようなシナリオで分類精度を向上させる手法は計算量的に高価であることが多い。 これらの問題に対処するために,グラフニューラルネットワークモデルであるConCHを提案する。 ConCHは、半教師付き学習と自己教師付き学習を組み合わせたマルチタスク学習問題として分類問題を定式化し、ラベル付きデータとラベルなしデータの両方から学習する。 ConCHはメタパスを使用し、オブジェクト間のセマンティックな関係をキャプチャするオブジェクトタイプのシーケンスである。 ConCHは、グラフ畳み込みによるオブジェクトの埋め込みとコンテキストの埋め込みを共用する。 また、注意機構を使ってそのような埋め込みを融合する。 我々は、他の15の分類法に対して、ConCHの性能を評価するために広範な実験を行う。 以上の結果から,ConCHはHIN分類の効率的かつ効率的な方法であることがわかった。

関連論文リスト

• ABCDE: Application-Based Cluster Diff Evals [49.1574468325115]
  それは実用性を目指しており、アイテムはアプリケーション固有の重要な値を持つことができ、クラスタリングがどちらが優れているかを判断するときに人間の判断を使うのは粗悪であり、アイテムの任意のスライスのためのメトリクスを報告できる。 クラスタリング品質の差分を測定するアプローチは、高価な地平を前もって構築し、それに関して各クラスタリングを評価する代わりに、ABCDEはクラスタリング間の実際の差分に基づいて、判定のための質問をサンプリングする。
  論文  参考訳（メタデータ） (2024-07-31T08:29:35Z)
• Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
  一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。 クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。 提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-30T00:32:47Z)
• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• Association Graph Learning for Multi-Task Classification with Category Shifts [68.58829338426712]
  関連する分類タスクが同じラベル空間を共有し、同時に学習されるマルチタスク分類に焦点を当てる。 我々は、不足クラスのためのタスク間で知識を伝達する関連グラフを学習する。 我々の手法は代表的基準よりも一貫して性能が良い。
  論文  参考訳（メタデータ） (2022-10-10T12:37:41Z)
• XCon: Learning with Experts for Fine-grained Category Discovery [4.787507865427207]
  本稿では,XCon(Expert-Contrastive Learning)と呼ばれる新しい手法を提案する。 細粒度データセットを用いた実験では,従来の最適手法よりも明らかに改善された性能を示し,本手法の有効性を示した。
  論文  参考訳（メタデータ） (2022-08-03T08:03:12Z)
• Fine-Grained Visual Classification using Self Assessment Classifier [12.596520707449027]
  識別的特徴の抽出は、きめ細かい視覚的分類タスクにおいて重要な役割を担っている。 本稿では,画像とトップkの予測クラスを同時に活用する自己評価手法を提案する。 本手法は,CUB200-2011,Stanford Dog,FGVC Aircraft のデータセットに対して,最新の結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-05-21T07:41:27Z)
• Predictive K-means with local models [0.028675177318965035]
  予測クラスタリングは、2つの世界のベストを獲得しようとします。 この手法を用いて2つの新しいアルゴリズムを提案し、予測性能に競争力があることを様々なデータセットで示す。
  論文  参考訳（メタデータ） (2020-12-16T10:49:36Z)
• A Systematic Evaluation: Fine-Grained CNN vs. Traditional CNN Classifiers [54.996358399108566]
  本稿では,大規模分類データセット上でトップノーチ結果を示すランドマーク一般的なCNN分類器の性能について検討する。 最先端のきめ細かい分類器と比較する。 実験において, 粒度の細かい分類器がベースラインを高められるかどうかを判定するために, 6つのデータセットについて広範囲に評価する。
  論文  参考訳（メタデータ） (2020-03-24T23:49:14Z)

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。