論文の概要: GraphSMOTE: Imbalanced Node Classification on Graphs with Graph Neural
Networks
- arxiv url: http://arxiv.org/abs/2103.08826v1
- Date: Tue, 16 Mar 2021 03:23:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-17 13:25:03.808323
- Title: GraphSMOTE: Imbalanced Node Classification on Graphs with Graph Neural
Networks
- Title（参考訳）: GraphSMOTE: グラフニューラルネットワークを用いたグラフ上の不均衡ノード分類
- Authors: Tianxiang Zhao, Xiang Zhang, Suhang Wang
- Abstract要約: グラフニューラルネットワーク(GNN)はノード分類の最先端性能を達成した。
本稿では,ノード間の類似性をエンコードするために埋め込み空間を構築する新しいフレームワークであるgraphsmoteを提案する。
この空間で新しいサンプルが合成され、真正性が保証される。
- 参考スコア（独自算出の注目度）: 28.92347073786722
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Node classification is an important research topic in graph learning. Graph
neural networks (GNNs) have achieved state-of-the-art performance of node
classification. However, existing GNNs address the problem where node samples
for different classes are balanced; while for many real-world scenarios, some
classes may have much fewer instances than others. Directly training a GNN
classifier in this case would under-represent samples from those minority
classes and result in sub-optimal performance. Therefore, it is very important
to develop GNNs for imbalanced node classification. However, the work on this
is rather limited. Hence, we seek to extend previous imbalanced learning
techniques for i.i.d data to the imbalanced node classification task to
facilitate GNN classifiers. In particular, we choose to adopt synthetic
minority over-sampling algorithms, as they are found to be the most effective
and stable. This task is non-trivial, as previous synthetic minority
over-sampling algorithms fail to provide relation information for newly
synthesized samples, which is vital for learning on graphs. Moreover, node
attributes are high-dimensional. Directly over-sampling in the original input
domain could generates out-of-domain samples, which may impair the accuracy of
the classifier. We propose a novel framework, GraphSMOTE, in which an embedding
space is constructed to encode the similarity among the nodes. New samples are
synthesize in this space to assure genuineness. In addition, an edge generator
is trained simultaneously to model the relation information, and provide it for
those new samples. This framework is general and can be easily extended into
different variations. The proposed framework is evaluated using three different
datasets, and it outperforms all baselines with a large margin.
- Abstract（参考訳）: ノード分類はグラフ学習において重要な研究トピックである。
グラフニューラルネットワーク(GNN)はノード分類の最先端性能を達成した。
しかし、既存のGNNは、異なるクラスのノードサンプルが平衡している問題に対処する。
この場合、GNN分類器を直接訓練すると、これらの少数クラスのサンプルが不足し、結果として準最適性能が得られる。
したがって、不均衡ノード分類のためのGNNの開発は非常に重要である。
しかし、これに関する作業は限られている。
そこで我々は,従来の非バランスな学習手法を,GNN分類を容易にするために不バランスなノード分類タスクに拡張する。
特に、最も効果的で安定であることが判明したため、合成的マイノリティオーバーサンプリングアルゴリズムを採用することを選んだ。
このタスクは非自明であり、以前の合成マイノリティの過剰サンプリングアルゴリズムは、グラフの学習に不可欠である新しく合成されたサンプルの関連情報を提供しない。
さらに、ノード属性は高次元である。
元の入力領域のオーバーサンプリングはドメイン外のサンプルを生成し、分類器の精度を損なう可能性がある。
本稿では,ノード間の類似性をエンコードするために埋め込み空間を構築する新しいフレームワークであるgraphsmoteを提案する。
この空間で新しいサンプルが合成され、真正性が保証される。
さらに、エッジジェネレータを同時にトレーニングして関係情報をモデル化し、それらの新しいサンプルに提供する。
このフレームワークは汎用的で、容易に異なるバリエーションに拡張できる。
提案するフレームワークは3つの異なるデータセットを用いて評価され、すべてのベースラインを大きなマージンで上回る。
関連論文リスト
- GRAPES: Learning to Sample Graphs for Scalable Graph Neural Networks [2.4175455407547015]
グラフニューラルネットワークは、隣人からの情報を集約することでノードを表現することを学ぶ。
いくつかの既存手法では、ノードの小さなサブセットをサンプリングし、GNNをもっと大きなグラフにスケールすることで、この問題に対処している。
本稿では,GNNのトレーニングに不可欠なノードの集合を識別する適応サンプリング手法であるGRAPESを紹介する。
論文 参考訳（メタデータ） (2023-10-05T09:08:47Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳（メタデータ） (2023-06-14T09:21:15Z) - 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) - GraphSR: A Data Augmentation Algorithm for Imbalanced Node
Classification [10.03027886793368]
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大きな成功を収めている。
既存のGNNは、多くのラベル付きデータを持つ多数派クラスに自然に偏り、比較的少ないラベル付きデータを持つ少数派クラスを無視している。
我々は,未学習ノードを多種多様に拡張する,新しい自己学習戦略である textitGraphSR を提案する。
論文 参考訳（メタデータ） (2023-02-24T18:49:10Z) - Synthetic Over-sampling for Imbalanced Node Classification with Graph
Neural Networks [34.81248024048974]
グラフニューラルネットワーク(GNN)はノード分類の最先端性能を実現している。
多くの実世界のシナリオでは、ノードクラスは不均衡であり、グラフのほとんどの部分を構成する多数派クラスもある。
本研究では、マイノリティクラスの擬似インスタンスを生成し、トレーニングデータのバランスをとることで、この問題に対処する。
論文 参考訳（メタデータ） (2022-06-10T19:47:05Z) - Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with
Heterophily [58.76759997223951]
我々はフォン・ノイマンエントロピーに基づく新しい計量を提案し、GNNのヘテロフィリー問題を再検討する。
また、異種データセット上でのほとんどのGNNの性能を高めるために、Conv-Agnostic GNNフレームワーク(CAGNN)を提案する。
論文 参考訳（メタデータ） (2022-03-19T14:26:43Z) - Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。
GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。
提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文 参考訳（メタデータ） (2022-03-03T09:53:53Z) - GraphMixup: Improving Class-Imbalanced Node Classification on Graphs by
Self-supervised Context Prediction [25.679620842010422]
本稿では,グラフ上のクラス不均衡ノード分類を改善するための新しい混合フレームワークであるGraphMixupを提案する。
我々は,これらのマイノリティクラスに対する混合によって生成されるサンプル数を適応的に決定するEmphReinforcement Mixupメカニズムを開発した。
3つの実世界のデータセットの実験により、GraphMixupはクラス不均衡なノード分類タスクに対して真に励まされる結果が得られることが示された。
論文 参考訳（メタデータ） (2021-06-21T14:12:16Z) - Scalable Graph Neural Networks for Heterogeneous Graphs [12.44278942365518]
グラフニューラルネットワーク(GNN)は、グラフ構造化データを学習するためのパラメトリックモデルの一般的なクラスである。
最近の研究は、GNNが主に機能をスムースにするためにグラフを使用しており、ベンチマークタスクで競合する結果を示していると主張している。
本研究では、これらの結果が異種グラフに拡張可能かどうかを問うとともに、異なるエンティティ間の複数のタイプの関係を符号化する。
論文 参考訳（メタデータ） (2020-11-19T06:03:35Z) - 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) - Towards Deeper Graph Neural Networks with Differentiable Group
Normalization [61.20639338417576]
グラフニューラルネットワーク(GNN)は、隣接するノードを集約することでノードの表現を学習する。
オーバースムーシングは、レイヤーの数が増えるにつれてGNNのパフォーマンスが制限される重要な問題のひとつです。
2つのオーバースムースなメトリクスと新しいテクニック、すなわち微分可能群正規化(DGN)を導入する。
論文 参考訳（メタデータ） (2020-06-12T07:18:02Z)
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。