論文の概要: Towards Coarse and Fine-grained Multi-Graph Multi-Label Learning
- arxiv url: http://arxiv.org/abs/2012.10650v1
- Date: Sat, 19 Dec 2020 10:34:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-01 11:16:10.196204
- Title: Towards Coarse and Fine-grained Multi-Graph Multi-Label Learning
- Title（参考訳）: 粗大かつ微細なマルチグラフ学習を目指して
- Authors: Yejiang Wang and Yuhai Zhao and Zhengkui Wang and Chengqi Zhang
- Abstract要約: マルチグラフマルチラベル学習(textscMgml)は、複数のグラフを含むラベル付きバッグのセットからマルチラベルを学ぶことを目的とした、教師付き学習フレームワークである。
グラフ上で直接学習モデルを構築し、textitcoarse(別名)の両方でラベル予測を可能にするcfMGMLを提案する。
bag) レベルとテキスト細粒度(別名。
それぞれのバッグにグラフ)レベル。
- 参考スコア（独自算出の注目度）: 20.155372492110256
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-graph multi-label learning (\textsc{Mgml}) is a supervised learning
framework, which aims to learn a multi-label classifier from a set of labeled
bags each containing a number of graphs. Prior techniques on the \textsc{Mgml}
are developed based on transfering graphs into instances and focus on learning
the unseen labels only at the bag level. In this paper, we propose a
\textit{coarse} and \textit{fine-grained} Multi-graph Multi-label (cfMGML)
learning framework which directly builds the learning model over the graphs and
empowers the label prediction at both the \textit{coarse} (aka. bag) level and
\textit{fine-grained} (aka. graph in each bag) level. In particular, given a
set of labeled multi-graph bags, we design the scoring functions at both graph
and bag levels to model the relevance between the label and data using specific
graph kernels. Meanwhile, we propose a thresholding rank-loss objective
function to rank the labels for the graphs and bags and minimize the
hamming-loss simultaneously at one-step, which aims to addresses the error
accumulation issue in traditional rank-loss algorithms. To tackle the
non-convex optimization problem, we further develop an effective sub-gradient
descent algorithm to handle high-dimensional space computation required in
cfMGML. Experiments over various real-world datasets demonstrate cfMGML
achieves superior performance than the state-of-arts algorithms.
- Abstract（参考訳）: Multi-graph Multi-label Learning (\textsc{Mgml})は、複数のグラフを含むラベル付きバッグの集合からマルチラベル分類器を学習することを目的とした教師付き学習フレームワークである。
従来のテクニックは、グラフをインスタンスに転送し、バッグレベルでのみ目に見えないラベルを学習することに集中して開発された。
本稿では,グラフ上に学習モデルを直接構築し,その両方においてラベル予測の権限を付与する多層グラフ多層学習フレームワークである \textit{coarse} と \textit{fine-fine} multi-graph multi-label (cfmgml) を提案する。
bag) レベルと \textit{fine-fine} (別名。
それぞれのバッグにグラフ)レベル。
特に,ラベル付きマルチグラフバッグの集合を考えると,グラフレベルとバッグレベルのスコアリング関数を設計し,グラフカーネルを用いてラベルとデータの関連性をモデル化する。
一方,グラフとバッグのラベルをランク付けし,ハミングロスを1ステップで同時に最小化するためのしきい値ランク付け目的関数を提案し,従来のランク付けアルゴリズムの誤り蓄積問題に対処することを目的とした。
非凸最適化問題に取り組むため,我々はcfmgmlで必要とされる高次元空間計算を扱うための効果的な下位勾配降下アルゴリズムを更に開発する。
様々な実世界のデータセットに対する実験は、cfMGMLが最先端のアルゴリズムよりも優れたパフォーマンスを達成することを示した。
関連論文リスト
- GraphCLIP: Enhancing Transferability in Graph Foundation Models for Text-Attributed Graphs [27.169892145194638]
GraphCLIPは、強力なクロスドメインゼロ/フェーショット転送可能性を持つグラフ基盤モデルを学習するためのフレームワークである。
LLMの助けを借りて、大規模グラフ-土木ペアデータを生成し、キュレートする。
数ショットの学習では,事前学習目標に沿った新しいグラフプロンプトチューニング手法を提案する。
論文 参考訳（メタデータ） (2024-10-14T09:40:52Z) - G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。
一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。
G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
論文 参考訳（メタデータ） (2024-02-12T13:13:04Z) - GSINA: Improving Subgraph Extraction for Graph Invariant Learning via
Graph Sinkhorn Attention [52.67633391931959]
グラフ不変学習(GIL)は,グラフデータとそのラベル間の不変性を発見するための効果的な手法である。
グラフシンクホーン注意機構(GSINA)を提案する。
GSINAは、制御可能な空間性と柔らかさを持つ有意義で微分可能な不変部分グラフを得ることができる。
論文 参考訳（メタデータ） (2024-02-11T12:57:16Z) - GraphGPT: Graph Instruction Tuning for Large Language Models [27.036935149004726]
グラフニューラルネットワーク(GNN)は、グラフ構造を理解するために進化してきた。
堅牢性を高めるために、自己教師付き学習(SSL)はデータ拡張の重要なツールとなっている。
本研究は,ゼロショット学習環境におけるグラフモデルの一般化を推し進めることによって,この問題に対処する。
論文 参考訳（メタデータ） (2023-10-19T06:17:46Z) - SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。
まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。
次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
論文 参考訳（メタデータ） (2023-08-03T07:00:04Z) - Multi-Level Graph Contrastive Learning [38.022118893733804]
本稿では,グラフの空間ビューを対比することで,グラフデータの堅牢な表現を学習するためのマルチレベルグラフコントラスト学習(MLGCL)フレームワークを提案する。
元のグラフは1次近似構造であり、不確実性や誤りを含むが、符号化機能によって生成された$k$NNグラフは高次近接性を保持する。
MLGCLは、7つのデータセット上の既存の最先端グラフ表現学習法と比較して有望な結果が得られることを示す。
論文 参考訳（メタデータ） (2021-07-06T14:24:43Z) - Self-supervised Graph-level Representation Learning with Local and
Global Structure [71.45196938842608]
自己教師付き全グラフ表現学習のためのローカル・インスタンスとグローバル・セマンティック・ラーニング(GraphLoG)という統合フレームワークを提案する。
GraphLoGは、局所的な類似点の保存に加えて、グローバルなセマンティッククラスタをキャプチャする階層的なプロトタイプも導入している。
モデル学習のための効率的なオンライン予測最大化(EM)アルゴリズムがさらに開発された。
論文 参考訳（メタデータ） (2021-06-08T05:25:38Z) - Graphonomy: Universal Image Parsing via Graph Reasoning and Transfer [140.72439827136085]
グラフィノノミー(Graphonomy)というグラフ推論・伝達学習フレームワークを提案する。
人間の知識とラベル分類を、局所畳み込みを超えた中間グラフ表現学習に組み込んでいる。
意味認識グラフの推論と転送を通じて、複数のドメインにおけるグローバルおよび構造化されたセマンティックコヒーレンシーを学習する。
論文 参考訳（メタデータ） (2021-01-26T08:19:03Z) - Knowledge-Guided Multi-Label Few-Shot Learning for General Image
Recognition [75.44233392355711]
KGGRフレームワークは、ディープニューラルネットワークと統計ラベル相関の事前知識を利用する。
まず、統計ラベルの共起に基づいて異なるラベルを相関させる構造化知識グラフを構築する。
次に、ラベルセマンティクスを導入し、学習セマンティクス固有の特徴をガイドする。
グラフノードの相互作用を探索するためにグラフ伝搬ネットワークを利用する。
論文 参考訳（メタデータ） (2020-09-20T15:05:29Z) - Adaptive-Step Graph Meta-Learner for Few-Shot Graph Classification [25.883839335786025]
本稿では,グラフデータへの高速適応にGNNをベースとしたグラフメタラーナを用いた新しいフレームワークを提案する。
我々のフレームワークは、ベースラインと比較して、いくつかのショットグラフ分類タスクに対して最先端の結果を得る。
論文 参考訳（メタデータ） (2020-03-18T14:38:48Z) - GraphGen: A Scalable Approach to Domain-agnostic Labeled Graph
Generation [5.560715621814096]
グラフ生成モデルは、データマイニングの文献で広く研究されている。
最近の技術は、データから直接この分布を学習する方向に移行している。
本研究では、これらの制限をすべて克服するために、GraphGenと呼ばれるドメインに依存しないテクニックを開発します。
論文 参考訳（メタデータ） (2020-01-22T18:07:43Z)
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。