論文の概要: RRLFSOR: An Efficient Self-Supervised Learning Strategy of Graph
Convolutional Networks
- arxiv url: http://arxiv.org/abs/2108.07481v1
- Date: Tue, 17 Aug 2021 07:40:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-18 20:48:14.378126
- Title: RRLFSOR: An Efficient Self-Supervised Learning Strategy of Graph
Convolutional Networks
- Title(参考訳): RRLFSOR:グラフ畳み込みネットワークの効率的な自己改善学習戦略
- Authors: Feng Sun, Ajith Kumar V, Guanci Yang, Qikui Zhu, Yiyun Zhang, Ansi
Zhang, Dhruv Makwana
- Abstract要約: 我々はGCNの効率的な自己教師型学習戦略を提案し、ある領域における固定ステップ付きランダムに削除されたリンク(RRLFSOR)を提案する。
また、あるブロック(RRLF SSB)における固定ステップによるリンクをランダムに除去するGCNの自己教師型学習戦略を提案する。
私たちの戦略は、3つのベンチマークデータセットの精度において、ベースラインモデルを最大21.34%向上させています。
- 参考スコア(独自算出の注目度): 2.755428812190629
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: To further improve the performance and the self-learning ability of GCNs, in
this paper, we propose an efficient self-supervised learning strategy of GCNs,
named randomly removed links with a fixed step at one region (RRLFSOR). In
addition, we also propose another self-supervised learning strategy of GCNs,
named randomly removing links with a fixed step at some blocks (RRLFSSB), to
solve the problem that adjacent nodes have no selected step. Experiments on
transductive link prediction tasks show that our strategies outperform the
baseline models consistently by up to 21.34% in terms of accuracy on three
benchmark datasets.
- Abstract(参考訳): 本稿では,gcnsの性能と自己学習能力をさらに向上させるため,一領域に一定のステップ(rrlfsor)を持つランダム削除リンクと呼ばれるgcnsの効率的な自己教師付き学習戦略を提案する。
さらに,あるブロック(RRLFSSB)における固定ステップのリンクをランダムに除去するGCNの自己教師型学習戦略を提案し,隣接ノードに選択されたステップがないという問題を解決する。
トランスダクティブリンク予測タスクの実験は、我々の戦略が3つのベンチマークデータセットの精度において、ベースラインモデルを最大21.34%上回っていることを示している。
関連論文リスト
- Learning State-Augmented Policies for Information Routing in Communication Networks [84.76186111434818]
我々は,グラフニューラルネットワーク(GNN)アーキテクチャを用いて,ソースノードの集約情報を最大化する,新たなステート拡張(SA)戦略を開発した。
教師なし学習手法を利用して、GNNアーキテクチャの出力を最適情報ルーティング戦略に変換する。
実験では,実時間ネットワークトポロジの評価を行い,アルゴリズムの有効性を検証した。
論文 参考訳(メタデータ) (2023-09-30T04:34:25Z) - LinGCN: Structural Linearized Graph Convolutional Network for
Homomorphically Encrypted Inference [19.5669231249754]
本稿では,乗算深度を低減し,HEに基づくGCN推論の性能を最適化するLinGCNを提案する。
注目すべきは、LinGCNはCryptoGCNと比較して14.2倍のレイテンシ向上を実現し、推論精度は75%、乗算深度は顕著に減少することである。
論文 参考訳(メタデータ) (2023-09-25T17:56:54Z) - Stochastic Unrolled Federated Learning [85.6993263983062]
本稿では,UnRolled Federated Learning (SURF)を導入する。
提案手法は,この拡張における2つの課題,すなわち,非学習者へのデータセット全体の供給の必要性と,フェデレート学習の分散的性質に対処する。
論文 参考訳(メタデータ) (2023-05-24T17:26:22Z) - Improving the Training of Graph Neural Networks with Consistency
Regularization [9.239633445211574]
グラフニューラルネットワークの性能向上には,一貫性の正則化が有効かを検討する。
整合正則化法を2つの最先端GNNと組み合わせ、ogbn-productsデータセット上で実験を行う。
一貫性の正則化により、ogbn-productsデータセットでは、最先端のGNNのパフォーマンスが0.3%向上する。
論文 参考訳(メタデータ) (2021-12-08T14:51:30Z) - Edge Rewiring Goes Neural: Boosting Network Resilience via Policy
Gradient [62.660451283548724]
ResiNetは、さまざまな災害や攻撃に対する回復力のあるネットワークトポロジを発見するための強化学習フレームワークである。
ResiNetは複数のグラフに対してほぼ最適のレジリエンス向上を実現し,ユーティリティのバランスを保ちながら,既存のアプローチに比べて大きなマージンを持つことを示す。
論文 参考訳(メタデータ) (2021-10-18T06:14:28Z) - Automated Graph Learning via Population Based Self-Tuning GCN [45.28411311903644]
グラフ畳み込みネットワーク(GCN)とその変種は、幅広いタスクにうまく適用されている。
従来のGCNモデルはオーバーフィッティングとオーバースムーシングの問題に悩まされている。
DropEdgeのような最近の技術はこれらの問題を緩和し、ディープGCNの開発を可能にする。
論文 参考訳(メタデータ) (2021-07-09T23:05:21Z) - Unsupervised Learning for Asynchronous Resource Allocation in Ad-hoc
Wireless Networks [122.42812336946756]
集約グラフニューラルネットワーク(Agg-GNN)に基づく教師なし学習手法を設計する。
アクティベーションパターンを各ノードの特徴としてモデル化し,ポリシーに基づくリソース割り当て手法を訓練することにより,非同期性を捉える。
論文 参考訳(メタデータ) (2020-11-05T03:38:36Z) - Self-supervised Graph Learning for Recommendation [69.98671289138694]
ユーザ・イテムグラフを用いた自己教師型学習を推奨する。
補助的自己監督タスクは、自己識別によるノード表現学習を強化する。
3つのベンチマークデータセットに関する実証的研究は、SGLの有効性を示す。
論文 参考訳(メタデータ) (2020-10-21T06:35:26Z) - A Robust Hierarchical Graph Convolutional Network Model for
Collaborative Filtering [0.0]
グラフ畳み込みネットワーク(GCN)は大きな成功を収め、レコメンダシステムを含む様々な分野に適用されてきた。
GCNは依然として、トレーニングの困難、過剰なスムーシング、敵の攻撃に対する脆弱性など、多くの問題に悩まされている。
論文 参考訳(メタデータ) (2020-04-30T12:50:39Z) - Generalized Zero-Shot Learning Via Over-Complete Distribution [79.5140590952889]
そこで本稿では,CVAE (Conditional Variational Autoencoder) を用いたOCD(Over-Complete Distribution) の生成を提案する。
フレームワークの有効性は,Zero-Shot LearningプロトコルとGeneralized Zero-Shot Learningプロトコルの両方を用いて評価する。
論文 参考訳(メタデータ) (2020-04-01T19:05:28Z)
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。