論文の概要: GraphHop: An Enhanced Label Propagation Method for Node Classification

• arxiv url: http://arxiv.org/abs/2101.02326v1
• Date: Thu, 7 Jan 2021 02:10:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-10 22:36:33.933038
• Title: GraphHop: An Enhanced Label Propagation Method for Node Classification
• Title（参考訳）: GraphHop: ノード分類のための拡張ラベル伝搬方法
• Authors: Tian Xie, Bin Wang, C.-C. Jay Kuo
• Abstract要約: GraphHopと呼ばれるスケーラブルな半監視ノード分類手法が提案されている。 実験結果は、GraphHopが幅広いタスクで最先端のグラフ学習方法より優れていることを示しています。
• 参考スコア（独自算出の注目度）: 34.073791157290614
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A scalable semi-supervised node classification method on graph-structured data, called GraphHop, is proposed in this work. The graph contains attributes of all nodes but labels of a few nodes. The classical label propagation (LP) method and the emerging graph convolutional network (GCN) are two popular semi-supervised solutions to this problem. The LP method is not effective in modeling node attributes and labels jointly or facing a slow convergence rate on large-scale graphs. GraphHop is proposed to its shortcoming. With proper initial label vector embeddings, each iteration of GraphHop contains two steps: 1) label aggregation and 2) label update. In Step 1, each node aggregates its neighbors' label vectors obtained in the previous iteration. In Step 2, a new label vector is predicted for each node based on the label of the node itself and the aggregated label information obtained in Step 1. This iterative procedure exploits the neighborhood information and enables GraphHop to perform well in an extremely small label rate setting and scale well for very large graphs. Experimental results show that GraphHop outperforms state-of-the-art graph learning methods on a wide range of tasks (e.g., multi-label and multi-class classification on citation networks, social graphs, and commodity consumption graphs) in graphs of various sizes. Our codes are publicly available on GitHub (https://github.com/TianXieUSC/GraphHop).
• Abstract（参考訳）: 本稿では,グラフ構造データに対するスケーラブルな半教師付きノード分類法であるgraphhopを提案する。 グラフにはすべてのノードの属性が含まれているが、いくつかのノードのラベルがある。 古典的ラベル伝搬(LP)法と新しいグラフ畳み込みネットワーク(GCN)は、この問題に対する2つの一般的な半教師付きソリューションである。 LP法は,大規模グラフ上でノード属性やラベルを協調的にモデル化したり,収束速度を遅くしたりするのに有効ではない。 GraphHopはその欠点に対して提案されている。 適切な初期ラベルベクター埋め込みでは、GraphHopの各イテレーションは、1)ラベルアグリゲーションと2)ラベル更新の2つのステップを含む。 ステップ1では、各ノードは前回のイテレーションで得られた隣人のラベルベクトルを集約する。 ステップ2では、ステップ1で得られたノード自体のラベル情報と集約されたラベル情報に基づいて、ノード毎に新しいラベルベクトルを予測する。 この反復的な手順は、近隣の情報を活用し、グラフホップが非常に小さなラベルレート設定でうまく機能し、非常に大きなグラフに対してうまくスケールすることができる。 実験結果から,グラフホップは様々な大きさのグラフにおいて,様々なタスク(引用ネットワーク,ソーシャルグラフ,消費グラフなど)において,最先端のグラフ学習手法よりも優れていた。 私たちのコードはgithubで公開されている(https://github.com/tianxieusc/graphhop)。

関連論文リスト

• Graph Mixup with Soft Alignments [49.61520432554505]
  本研究では,画像上での使用に成功しているミキサアップによるグラフデータの増大について検討する。 ソフトアライメントによるグラフ分類のための簡易かつ効果的な混合手法であるS-Mixupを提案する。
  論文  参考訳（メタデータ） (2023-06-11T22:04:28Z)
• Semi-Supervised Hierarchical Graph Classification [54.25165160435073]
  ノードがグラフのインスタンスである階層グラフにおけるノード分類問題について検討する。 本稿では階層グラフ相互情報(HGMI)を提案し,理論的保証をもってHGMIを計算する方法を提案する。 本稿では,この階層グラフモデリングとSEAL-CI法がテキストおよびソーシャルネットワークデータに与える影響を実証する。
  論文  参考訳（メタデータ） (2022-06-11T04:05:29Z)
• GraphHop++: New Insights into GraphHop and Its Enhancement [37.61655151222875]
  GraphHopと呼ばれる拡張ラベル伝搬(LP)法が最近提案されている。 グラフ畳み込みネットワーク(GCN)は、様々なネットワーク上の半教師付きノード分類タスクにおいて優れる。 グラフ上で定義された特定の正規化問題に対して、グラフホップが代替的な最適化を提供することを示す。
  論文  参考訳（メタデータ） (2022-04-19T03:58:47Z)
• Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
  本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。 クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
  論文  参考訳（メタデータ） (2021-09-24T08:01:23Z)
• GraphGen-Redux: a Fast and Lightweight Recurrent Model for labeled Graph Generation [13.956691231452336]
  ラベル付きグラフ生成のための新しいグラフ前処理手法を提案する。 新たなグラフ前処理手法を導入することで,ノードとエッジのラベル付け情報を共同で処理することができる。 GraphGen-Reduxと呼ばれる対応するモデルは、幅広いデータセットにおけるGraphGenの生成パフォーマンスを改善します。
  論文  参考訳（メタデータ） (2021-07-18T09:26:10Z)
• GLAM: Graph Learning by Modeling Affinity to Labeled Nodes for Graph Neural Networks [0.0]
  グラフが存在しない場合の半教師付きグラフ学習法を提案する。 教師なしkNNグラフと教師付きラベル親和性グラフの凸結合としてグラフを学習する。 私たちの実験では、このアプローチは最先端のグラフ学習手法よりもシンプルで(最大1.5%)、トレーニングが(最大70倍)簡単で、パフォーマンスが向上することを示唆している。
  論文  参考訳（メタデータ） (2021-02-20T17:56:52Z)
• 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)
• Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
  グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。 本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。 本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
  論文  参考訳（メタデータ） (2020-07-12T12:06:17Z)
• Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
  グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。 標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。 総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-08T19:48:19Z)

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。