論文の概要: Zero-shot Node Classification with Decomposed Graph Prototype Network

• arxiv url: http://arxiv.org/abs/2106.08022v1
• Date: Tue, 15 Jun 2021 10:13:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-16 22:59:09.787558
• Title: Zero-shot Node Classification with Decomposed Graph Prototype Network
• Title（参考訳）: 分割グラフプロトタイプネットワークを用いたゼロショットノード分類
• Authors: Zheng Wang, Jialong Wang, Yuchen Guo, Zhiguo Gong
• Abstract要約: 2段階の性質を持つゼロショットノード分類(ZNC)問題について検討する。 最初の段階では,実クラス関係を推定した定量的CSD評価戦略を提案する。 第2段階では,DGPN(Decomposed Graph Prototype Network)方式を提案する。
• 参考スコア（独自算出の注目度）: 33.24920910739568
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Node classification is a central task in graph data analysis. Scarce or even no labeled data of emerging classes is a big challenge for existing methods. A natural question arises: can we classify the nodes from those classes that have never been seen? In this paper, we study this zero-shot node classification (ZNC) problem which has a two-stage nature: (1) acquiring high-quality class semantic descriptions (CSDs) for knowledge transfer, and (2) designing a well generalized graph-based learning model. For the first stage, we give a novel quantitative CSDs evaluation strategy based on estimating the real class relationships, so as to get the "best" CSDs in a completely automatic way. For the second stage, we propose a novel Decomposed Graph Prototype Network (DGPN) method, following the principles of locality and compositionality for zero-shot model generalization. Finally, we conduct extensive experiments to demonstrate the effectiveness of our solutions.
• Abstract（参考訳）: ノード分類はグラフデータ分析の中心的なタスクである。 新興クラスのラベル付きデータやラベル付きデータさえも、既存のメソッドでは大きな課題です。 自然の疑問が生じる: これまで見たことのないクラスからノードを分類できますか? 本稿では,2段階の性質を持つゼロショットノード分類(ZNC)問題について,(1)知識伝達のための高品質なクラス意味記述(CSD)の獲得,(2)グラフベース学習モデルの設計について検討する。 第1段階では,実クラス関係を推定し,その「ベスト」なCSDを完全自動で取得するための定量的CSD評価戦略を新たに提案する。 第2段階では、ゼロショットモデル一般化のための局所性と構成性の原理に従い、DGPN(Decomposed Graph Prototype Network)法を提案する。 最後に,ソリューションの有効性を示すために,広範な実験を行った。

関連論文リスト

• POWN: Prototypical Open-World Node Classification [6.704529554100875]
  我々は,実世界の半教師付きノード分類の問題を考える。 既存のメソッドは、新しいクラスを検出して拒否するが、異なる新しいクラスを区別することができない。 本稿では,クラスプロトタイプをベースとした,既知のクラスと新しいクラスに分類する,新しいエンドツーエンドアプローチを提案する。
  論文  参考訳（メタデータ） (2024-06-14T11:14:01Z)
• Open-World Semi-Supervised Learning for Node Classification [53.07866559269709]
  ノード分類のためのオープンワールド半教師付き学習(Open World SSL)は、グラフコミュニティにおいて実用的だが未探索の課題である。 オープンワールド半教師付きノード分類のためのIM Balance-AwareメソッドOpenIMAを提案する。
  論文  参考訳（メタデータ） (2024-03-18T05:12:54Z)
• From Cluster Assumption to Graph Convolution: Graph-based Semi-Supervised Learning Revisited [51.24526202984846]
  グラフベースの半教師付き学習(GSSL)は、長い間ホットな研究トピックだった。 グラフ畳み込みネットワーク (GCN) は, 有望な性能を示す主要な技術となっている。
  論文  参考訳（メタデータ） (2023-09-24T10:10:21Z)
• $\mathcal{G}^2Pxy$: Generative Open-Set Node Classification on Graphs with Proxy Unknowns [35.976426549671075]
  本稿では,新しい生成的オープンセットノード分類法,すなわち $mathcalG2Pxy$ を提案する。 トレーニングや検証中に未知のクラスに関する情報が得られない、より厳密な帰納的学習環境に従う。 $mathcalG2Pxy$は未知のクラス検出と既知のクラス分類において優れた効果を達成する。
  論文  参考訳（メタデータ） (2023-08-10T09:42:20Z)
• Graph Convolutional Networks based on Manifold Learning for Semi-Supervised Image Classification [9.171175292808144]
  半教師付き画像分類のためのGCNに基づく新しい手法であるManifold-GCNを提案する。 本論文の主な仮説は,グラフ構造をモデル化するための多様体学習を用いることで,GCN分類をさらに改善できるというものである。 全ての多様体学習アルゴリズムは完全に教師なしであり、ラベル付きデータの可用性が懸念されるシナリオでは特に有用である。
  論文  参考訳（メタデータ） (2023-04-24T23:24:46Z)
• Transductive Linear Probing: A Novel Framework for Few-Shot Node Classification [56.17097897754628]
  自己教師付きグラフと対照的な事前学習による帰納的線形探索は、同じプロトコル下での最先端の完全教師付きメタラーニング手法より優れていることを示す。 この研究が、数ショットのノード分類問題に新たな光を当て、グラフ上のわずかにラベル付けされたインスタンスから学ぶことの今後の研究を促進することを願っている。
  論文  参考訳（メタデータ） (2022-12-11T21:10:34Z)
• Graph Neural Network with Curriculum Learning for Imbalanced Node Classification [21.085314408929058]
  グラフニューラルネットワーク(GNN)は,ノード分類などのグラフベースの学習タスクの新興技術である。 本研究では,ノードラベルの不均衡に対するGNNの脆弱性を明らかにする。 本稿では,2つのモジュールからなるカリキュラム学習(GNN-CL)を備えたグラフニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-05T10:46:11Z)
• CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
  CatGCNはグラフ学習に適したノード機能である。 エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
  論文  参考訳（メタデータ） (2020-09-11T09:25:17Z)
• Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
  グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。 GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
  論文  参考訳（メタデータ） (2020-06-23T04:13:23Z)
• 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)
• 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)

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。