Fugu-MT 論文翻訳(概要): Dynamic Labeling for Unlabeled Graph Neural Networks

論文の概要: Dynamic Labeling for Unlabeled Graph Neural Networks

arxiv url: http://arxiv.org/abs/2102.11485v1
Date: Tue, 23 Feb 2021 04:30:35 GMT
ステータス: 処理完了
システム内更新日: 2021-02-25 00:25:37.962806
Title: Dynamic Labeling for Unlabeled Graph Neural Networks
Title（参考訳）: ラベルなしグラフニューラルネットワークの動的ラベル付け
Authors: Zeyu Sun, Wenjie Zhang, Lili Mou, Qihao Zhu, Yingfei Xiong, Lu Zhang
Abstract要約: グラフニューラルネットワーク(GNN)はそのアイデンティティ、タイプ、コンテンツによってノードをベクトルとして表現するためにノードの埋め込みに依存している。既存のGNNは、ランダムなラベルをノードに割り当てるか、1つの埋め込みをすべてのノードに割り当てる。本稿では,グラフ分類とノード分類という2種類の分類タスクにおける既存手法の限界を解析する。
参考スコア（独自算出の注目度）: 34.65037955481084
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Existing graph neural networks (GNNs) largely rely on node embeddings, which represent a node as a vector by its identity, type, or content. However, graphs with unlabeled nodes widely exist in real-world applications (e.g., anonymized social networks). Previous GNNs either assign random labels to nodes (which introduces artefacts to the GNN) or assign one embedding to all nodes (which fails to distinguish one node from another). In this paper, we analyze the limitation of existing approaches in two types of classification tasks, graph classification and node classification. Inspired by our analysis, we propose two techniques, Dynamic Labeling and Preferential Dynamic Labeling, that satisfy desired properties statistically or asymptotically for each type of the task. Experimental results show that we achieve high performance in various graph-related tasks.
Abstract（参考訳）: 既存のグラフニューラルネットワーク(GNN)は、ノードをそのアイデンティティ、タイプ、内容によってベクトルとして表現するノード埋め込みに大きく依存している。しかし、未ラベルのノードを持つグラフは現実世界のアプリケーション(匿名のソーシャルネットワークなど)に広く存在する。以前のGNNは、ランダムなラベルをノードに割り当てるか(GNNにアーティファクトを導入する)、1つの埋め込みをすべてのノードに割り当てるか(別のノードを区別できない)。本稿では,グラフ分類とノード分類という2種類の分類タスクにおける既存手法の限界を解析する。提案手法は,タスクの各タイプに対して統計的に,あるいは漸近的に所望の特性を満たす動的ラベリングと優先的動的ラベリングの2つの手法を提案する。実験の結果,様々なグラフ関連タスクにおいて高い性能が得られた。

関連論文リスト

GNN-MultiFix: Addressing the pitfalls for GNNs for multi-label node classification [1.857645719601748]
グラフニューラルネットワーク(GNN)は、グラフデータの表現を学習するための強力なモデルとして登場した。我々は,最も表現力の高いGNNでさえ,ノード属性や明示的なラベル情報を入力として使用せずに学習できないことを示す。本稿では,ノードの機能,ラベル,位置情報を統合したGNN-MultiFixという簡単なアプローチを提案する。
論文参考訳（メタデータ） (2024-11-21T12:59:39Z)
Learning on Graphs with Out-of-Distribution Nodes [33.141867473074264]
グラフニューラルネットワーク(GNN)は、グラフ上で予測タスクを実行するための最先端モデルである。この研究は、分散ノードによるグラフ学習の問題を定義する。本稿では,異なるノード間の相互作用を明示的にモデル化する新しいGNNモデルであるOut-of-Distribution Graph Attention Network (OODGAT)を提案する。
論文参考訳（メタデータ） (2023-08-13T08:10:23Z)
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)
Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。 Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
論文参考訳（メタデータ） (2023-05-18T07:27:18Z)
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)
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)
Label Propagation across Graphs: Node Classification using Graph Neural Tangent Kernels [12.445026956430826]
グラフニューラルネットワーク(GNN)はノード分類タスクにおいて優れたパフォーマンスを実現している。我々の研究は、ラベル付きグラフのセットがトレーニング用に利用可能であり、ラベルなしのターゲットグラフは完全に分離されている、困難な帰納的設定について検討している。テストグラフとトレーニンググラフが類似した分布から来るという暗黙の仮定の下で、我々のゴールは、観測されていない接続構造に一般化するラベリング関数を開発することである。
論文参考訳（メタデータ） (2021-10-07T19:42:35Z)
On Positional and Structural Node Features for Graph Neural Networks on Non-attributed Graphs [12.213147724959628]
グラフニューラルネットワーク(GNN)は,ノード分類やグラフ分類など,さまざまなグラフ関連問題に広く利用されている。 GNNが自然なノード機能なしでどのように機能するかはよく分かっていない。本稿では,2種類の人工ノード特徴,すなわち位置ノード特徴と構造ノード特徴を指摘し,それぞれが特定のタスクに適している理由について考察する。
論文参考訳（メタデータ） (2021-07-03T20:37:26Z)
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)
Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
論文参考訳（メタデータ） (2020-06-18T00:55:10Z)
Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
論文参考訳（メタデータ） (2020-05-15T09:17:08Z)

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。