論文の概要: Label-GCN: An Effective Method for Adding Label Propagation to Graph Convolutional Networks

• arxiv url: http://arxiv.org/abs/2104.02153v1
• Date: Mon, 5 Apr 2021 21:02:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-07 14:00:19.770715
• Title: Label-GCN: An Effective Method for Adding Label Propagation to Graph Convolutional Networks
• Title（参考訳）: Label-GCN:グラフ畳み込みネットワークにラベル伝搬を追加する効果的な方法
• Authors: Claudio Bellei, Hussain Alattas, and Nesrine Kaaniche
• Abstract要約: グラフ畳み込みネットワーク(GCN)の第1層の変更は、近隣ノード間でラベル情報を効果的に伝播するために利用できることを示す。 これは、GCNのトレーニングフェーズ中にラベル機能のためのセルフループを選択的に除去する。 推論フェーズ中に利用可能なラベルの数に応じて、この戦略がモデルパフォーマンスの大幅な改善につながる可能性があるいくつかの実験を通して示します。
• 参考スコア（独自算出の注目度）: 1.8352113484137624
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We show that a modification of the first layer of a Graph Convolutional Network (GCN) can be used to effectively propagate label information across neighbor nodes, for binary and multi-class classification problems. This is done by selectively eliminating self-loops for the label features during the training phase of a GCN. The GCN architecture is otherwise unchanged, without any extra hyper-parameters, and can be used in both a transductive and inductive setting. We show through several experiments that, depending on how many labels are available during the inference phase, this strategy can lead to a substantial improvement in the model performance compared to a standard GCN approach, including with imbalanced datasets.
• Abstract（参考訳）: グラフ畳み込みネットワーク(GCN)の第1層の変更は、バイナリとマルチクラスの分類問題において、近隣ノード間でラベル情報を効果的に伝播するために利用できることを示す。 これは、GCNのトレーニングフェーズ中にラベル機能のためのセルフループを選択的に除去する。 GCNアーキテクチャは、追加のハイパーパラメータなしで変更されず、トランスダクティブとインダクティブの両方で使用することができる。 推論フェーズ中にラベルがいくつあるかによって、この戦略は、不均衡なデータセットを含む標準的なGCNアプローチと比較して、モデル性能を大幅に向上させる可能性があることを示す。

関連論文リスト

• Binary Graph Convolutional Network with Capacity Exploration [58.99478502486377]
  ネットワークパラメータと入力ノード属性の両方を二項化するバイナリグラフ畳み込みネットワーク(Bi-GCN)を提案する。 我々のBi-GCNは、ネットワークパラメータと入力データの両方で平均31倍のメモリ消費を削減でき、推論速度を平均51倍に加速できる。
  論文  参考訳（メタデータ） (2022-10-24T12:05:17Z)
• Robust Node Classification on Graphs: Jointly from Bayesian Label Transition and Topology-based Label Propagation [5.037076816350975]
  近年、GNNに基づくノード分類の性能は、トポロジ的摂動により著しく低下する可能性があるという証拠が浮上している。 ベイジアンラベル遷移とトポロジに基づくラベル伝搬を統合した新しいラベル推論モデル LInDT を提案する。 5つのグラフデータセットの実験は、GNNに基づくノード分類において、位相摂動の3つのシナリオの下でLInDTの優位性を示す。
  論文  参考訳（メタデータ） (2022-08-21T01:56:25Z)
• 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)
• Adaptive Label Smoothing To Regularize Large-Scale Graph Training [46.00927775402987]
  本研究では, 適応ラベル平滑化法 (ALS) を提案する。 ALSはノードラベルを伝播して、前処理ステップで近隣ラベルの分布を集約し、その後、最適なスムーズなラベルをオンラインで更新して、特定のグラフ構造に適合させる。
  論文  参考訳（メタデータ） (2021-08-30T23:51:31Z)
• Cyclic Label Propagation for Graph Semi-supervised Learning [52.102251202186025]
  本稿では,CycPropと呼ばれるグラフ半教師付き学習のための新しいフレームワークを提案する。 CycPropはGNNを周期的かつ相互に強化された方法でラベル伝播の過程に統合する。 特に,提案するCycPropでは,GNNモジュールが学習したノード埋め込みをラベル伝搬による拡張情報で更新する。
  論文  参考訳（メタデータ） (2020-11-24T02:55:40Z)
• Deperturbation of Online Social Networks via Bayesian Label Transition [5.037076816350975]
  オンラインソーシャルネットワーク(OSN)は、ユーザの活動と関心に基づいて、異なるカテゴリに分類する。 少数のユーザ(いわゆる摂動器)はOSN上でランダムな活動を行うことができ、GCNベースのノード分類タスクの性能を著しく低下させる。 我々は,ラベル遷移の概念を用いたGCNディフェンスモデル,すなわちGraphLTを開発した。
  論文  参考訳（メタデータ） (2020-10-27T08:15:12Z)
• On the Equivalence of Decoupled Graph Convolution Network and Label Propagation [60.34028546202372]
  いくつかの研究は、カップリングがデカップリングよりも劣っていることを示している。 有効性にもかかわらず、疎結合GCNの作用機構はよく理解されていない。 本稿では,分離GCNの欠陥を克服する適応的学習法(PTA)を提案する。
  論文  参考訳（メタデータ） (2020-10-23T13:57:39Z)
• 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)
• Unifying Graph Convolutional Neural Networks and Label Propagation [73.82013612939507]
  LPAとGCNの関係を特徴・ラベルの平滑化と特徴・ラベルの影響の2点の観点から検討した。 理論解析に基づいて,ノード分類のためのGCNとLCAを統一するエンドツーエンドモデルを提案する。 我々のモデルは、既存の特徴に基づく注目モデルよりもタスク指向のノードラベルに基づく学習注意重みと見なすこともできる。
  論文  参考訳（メタデータ） (2020-02-17T03:23:13Z)
• Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
  半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。 推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。 4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
  論文  参考訳（メタデータ） (2020-01-17T02:52:30Z)

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。