論文の概要: GCN-Based Linkage Prediction for Face Clusteringon Imbalanced Datasets:
An Empirical Study
- arxiv url: http://arxiv.org/abs/2107.02477v1
- Date: Tue, 6 Jul 2021 08:45:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-07 22:17:56.950482
- Title: GCN-Based Linkage Prediction for Face Clusteringon Imbalanced Datasets:
An Empirical Study
- Title（参考訳）: 顔クラスタリングと不均衡データセットのGCNに基づくリンク予測:実証的研究
- Authors: Huafeng Yang, Xingjian Chen, Fangyi Zhang, Guangyue Hei, Yunjie Wang
and Rong Du
- Abstract要約: 本稿では,逆不均衡重み付きSam-pling戦略を用いて,不均等なラベルを緩和する新しい手法を提案する。
MS-Celeb-1MとDeepFashionから合成された一連の不均衡ベンチマークデータセットが公開されている。
- 参考スコア（独自算出の注目度）: 5.416933126354173
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, benefiting from the expressivepower of Graph Convolutional
Networks (GCNs),significant breakthroughs have been made in faceclustering.
However, rare attention has been paidto GCN-based clustering on imbalanced
data. Al-though imbalance problem has been extensivelystudied, the impact of
imbalanced data on GCN-based linkage prediction task is quite different,which
would cause problems in two aspects: im-balanced linkage labels and biased
graph represen-tations. The problem of imbalanced linkage labelsis similar to
that in image classification task, but thelatter is a particular problem in
GCN-based clus-tering via linkage prediction. Significantly biasedgraph
representations in training can cause catas-trophic overfitting of a GCN model.
To tacklethese problems, we evaluate the feasibility of thoseexisting methods
for imbalanced image classifica-tion problem on graphs with extensive
experiments,and present a new method to alleviate the imbal-anced labels and
also augment graph representa-tions using a Reverse-Imbalance Weighted
Sam-pling (RIWS) strategy, followed with insightfulanalyses and discussions. A
series of imbalancedbenchmark datasets synthesized from MS-Celeb-1M and
DeepFashion will be openly available.
- Abstract（参考訳）: 近年、グラフ畳み込みネットワーク(GCN)の表現力の恩恵を受け、顔クラスタリングにおいて重要なブレークスルーが達成されている。
しかし、GCNベースのクラスタリングには、不均衡なデータに注意が払われている。
不均衡問題は広く研究されているが、GCNベースのリンク予測タスクにおける不均衡データの影響は、不均衡なリンクラベルとバイアス付きグラフ再試行の2つの側面で問題を引き起こす。
画像分類タスクに類似した不均衡なリンケージラベシスの問題は、リンケージ予測によるGCNベースのclus-teringにおいて特に問題である。
トレーニングにおける有意なバイアスドグラフ表現は、gcnモデルのカタストロフィックな過剰フィットを引き起こす可能性がある。
これらの問題に対処するために,広範に実験されたグラフ上の不均衡な画像分類問題に対する既存手法の有効性を評価するとともに,Reverse-Im Balance Weighted Sam-pling (RIWS) 戦略を用いて,不均衡なラベルとグラフ表現を緩和する新たな手法を提案する。
MS-Celeb-1MとDeepFashionから合成された一連の不均衡ベンチマークデータセットが公開されている。
関連論文リスト
- HeNCler: Node Clustering in Heterophilous Graphs through Learned Asymmetric Similarity [55.27586970082595]
HeNClerは、Heterophilous Node Clusteringの新しいアプローチである。
HeNClerは異種グラフコンテキストにおけるノードクラスタリングタスクの性能を大幅に向上させることを示す。
論文 参考訳（メタデータ） (2024-05-27T11:04:05Z) - Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。
モデルはGCNを適用するために初期グラフを事前に推定する。
一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
論文 参考訳（メタデータ） (2024-02-25T07:03:37Z) - Learning to Reweight for Graph Neural Network [63.978102332612906]
グラフニューラルネットワーク(GNN)は、グラフタスクに対して有望な結果を示す。
既存のGNNの一般化能力は、テストとトレーニンググラフデータの間に分散シフトが存在する場合に低下する。
本稿では,分布外一般化能力を大幅に向上させる非線形グラフデコリレーション法を提案する。
論文 参考訳（メタデータ） (2023-12-19T12:25:10Z) - Rethinking Semi-Supervised Imbalanced Node Classification from
Bias-Variance Decomposition [18.3055496602884]
本稿では,グラフ構造データ学習のためのグラフニューラルネットワーク(GNN)におけるクラス不均衡問題に対する新しいアプローチを提案する。
提案手法は,不均衡ノード分類とバイアス分散分解を統合し,モデル分散にデータ不均衡を密接に関連付ける理論的枠組みを確立する。
論文 参考訳（メタデータ） (2023-10-28T17:28:07Z) - Heterophily-Based Graph Neural Network for Imbalanced Classification [19.51668009720269]
グラフの不均衡な分類をグラフヘテロフィリを考慮した一意なアプローチを導入する。
我々は,不均衡な分類戦略をヘテロフィリア認識GNNと統合したFast Im-GBKを提案する。
実世界のグラフに関する我々の実験は、ノード分類タスクの分類性能と効率において、我々のモデルが優れていることを示す。
論文 参考訳（メタデータ） (2023-10-12T21:19:47Z) - ImGCL: Revisiting Graph Contrastive Learning on Imbalanced Node
Classification [26.0350727426613]
グラフコントラスト学習(GCL)は,ラベルのないノード/グラフ表現の学習性能に優れていたため,注目を集めている。
実際には、与えられたグラフに対するラベルのないノードの基底となるクラス分布は、通常不均衡である。
ラベルなしでGCLから学習した表現を自動的かつ適応的にバランスをとるImGCL(Im Balanced node classification)の原理的GCLフレームワークを提案する。
論文 参考訳（メタデータ） (2022-05-23T14:23:36Z) - Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。
このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。
本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
論文 参考訳（メタデータ） (2021-11-20T18:57:18Z) - Topology-Imbalance Learning for Semi-Supervised Node Classification [34.964665078512596]
グラフデータは、ラベル付きノードの非対称な位相特性から、ユニークな不均衡の源を明らかにする。
我々は、グラフトポロジの不均衡の度合いを測定するために、影響コンフリクトの検出(Totoro)を考案する。
本稿では,トポロジ不均衡問題に対処するモデルに依存しないReNodeを提案する。
論文 参考訳（メタデータ） (2021-10-08T12:57:38Z) - AdaGCN:Adaptive Boosting Algorithm for Graph Convolutional Networks on
Imbalanced Node Classification [10.72543417177307]
AdaGCNと呼ばれるアンサンブルモデルを提案する。このモデルでは,アダプティブ・ブーピング時のベース推定にグラフ畳み込みネットワーク(GCN)を用いる。
我々のモデルは、考慮すべきノード分類タスクのすべてにおいて、最先端のベースラインも改善します。
論文 参考訳（メタデータ） (2021-05-25T02:43:31Z) - Graph Classification by Mixture of Diverse Experts [67.33716357951235]
我々は,不均衡なグラフ分類に多様な専門家の混在を利用したフレームワークであるGraphDIVEを提案する。
GraphDIVEは、分割と並列の原則により、不均衡なグラフデータセットを複数のサブセットに分割するゲーティングネットワークを採用しています。
実世界の不均衡グラフデータセットに関する実験は、GraphDIVEの有効性を示している。
論文 参考訳（メタデータ） (2021-03-29T14:03:03Z) - Contrastive and Generative Graph Convolutional Networks for Graph-based
Semi-Supervised Learning [64.98816284854067]
グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。
本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-09-15T13:59:28Z)
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。