論文の概要: Topology-Imbalance Learning for Semi-Supervised Node Classification
- arxiv url: http://arxiv.org/abs/2110.04099v1
- Date: Fri, 8 Oct 2021 12:57:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-11 20:06:29.114441
- Title: Topology-Imbalance Learning for Semi-Supervised Node Classification
- Title（参考訳）: 半教師付きノード分類のためのトポロジー不均衡学習
- Authors: Deli Chen, Yankai Lin, Guangxiang Zhao, Xuancheng Ren, Peng Li, Jie
Zhou, Xu Sun
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 34.964665078512596
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The class imbalance problem, as an important issue in learning node
representations, has drawn increasing attention from the community. Although
the imbalance considered by existing studies roots from the unequal quantity of
labeled examples in different classes (quantity imbalance), we argue that graph
data expose a unique source of imbalance from the asymmetric topological
properties of the labeled nodes, i.e., labeled nodes are not equal in terms of
their structural role in the graph (topology imbalance). In this work, we first
probe the previously unknown topology-imbalance issue, including its
characteristics, causes, and threats to semi-supervised node classification
learning. We then provide a unified view to jointly analyzing the quantity- and
topology- imbalance issues by considering the node influence shift phenomenon
with the Label Propagation algorithm. In light of our analysis, we devise an
influence conflict detection -- based metric Totoro to measure the degree of
graph topology imbalance and propose a model-agnostic method ReNode to address
the topology-imbalance issue by re-weighting the influence of labeled nodes
adaptively based on their relative positions to class boundaries. Systematic
experiments demonstrate the effectiveness and generalizability of our method in
relieving topology-imbalance issue and promoting semi-supervised node
classification. The further analysis unveils varied sensitivity of different
graph neural networks (GNNs) to topology imbalance, which may serve as a new
perspective in evaluating GNN architectures.
- Abstract（参考訳）: ノード表現の学習において重要な問題であるクラス不均衡問題は、コミュニティから注目を集めている。
既存の研究で見なされる不均衡は、異なるクラスにおけるラベル付き例の不等量(量的不均衡)に由来するが、グラフデータはラベル付きノードの非対称な位相的性質から一意な不均衡の源を露出している、すなわちラベル付きノードは、グラフにおける構造的役割(トポロジー不均衡)の点で等しくはない。
そこで本研究では,まず,その特徴,原因,および半教師付きノード分類学習への脅威を含む,未知のトポロジー不均衡問題を明らかにする。
そこで我々は,ノード影響シフト現象とラベル伝搬アルゴリズムを併用して,量的および位相的不均衡問題を統一的に解析する。
そこで我々は,グラフトポロジアンバランスの度合いを測るための影響競合検出尺度であるトトロを考案し,相対的な位置からクラス境界への適応的にラベル付きノードの影響を再重み付けすることで,トポロジアンバランスの問題に対処するモデル非依存手法ReNodeを提案する。
システム実験は, トポロジ不均衡問題を緩和し, 半教師付きノード分類を促進する上で, 提案手法の有効性と一般化性を示す。
さらに分析した結果、異なるグラフニューラルネットワーク(GNN)のトポロジの不均衡に対する感度の変化が明らかになり、GNNアーキテクチャを評価する上で新たな視点となる可能性がある。
関連論文リスト
- 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) - Hyperbolic Geometric Graph Representation Learning for
Hierarchy-imbalance Node Classification [30.56321501873245]
階層特性の異なるラベル付きノードのトレーニングは,ノード分類タスクに大きな影響を及ぼすことを示す。
本稿では,階層不均衡問題を軽減するために,HyperIMBAと呼ばれる新しい双曲型幾何学的階層不均衡学習フレームワークを提案する。
階層的不均衡ノード分類タスクに対するHyperIMBAの優れた有効性を示す実験結果である。
論文 参考訳（メタデータ） (2023-04-11T08:38:05Z) - Semantic-aware Node Synthesis for Imbalanced Heterogeneous Information
Networks [51.55932524129814]
意味認識ノード合成(SNS)と呼ばれる不均衡HINにおける意味的不均衡問題の最初の方法を提案する。
SNSは、異種隣接ノードを適応的に選択し、マイノリティのセマンティクスを維持しながら、合成ノードでネットワークを増強する。
また,HGNNに対してセマンティックおよびクラスの観点から合成ノードの表現を制約する2つの正規化手法を導入する。
論文 参考訳（メタデータ） (2023-02-27T00:21:43Z) - Position-aware Structure Learning for Graph Topology-imbalance by
Relieving Under-reaching and Over-squashing [67.83086131278904]
トポロジー不均衡は、ラベル付きノードの不均一なトポロジー位置によって引き起こされるグラフ固有の不均衡問題である。
PASTEL という新しい位置認識型グラフ構造学習フレームワークを提案する。
私たちの重要な洞察は、より監督的な情報を得るために、同じクラス内のノードの接続性を高めることです。
論文 参考訳（メタデータ） (2022-08-17T14:04:21Z) - Generalization Guarantee of Training Graph Convolutional Networks with
Graph Topology Sampling [83.77955213766896]
グラフ畳み込みネットワーク(GCN)は近年,グラフ構造化データの学習において大きな成功を収めている。
スケーラビリティ問題に対処するため、Gsの学習におけるメモリと計算コストを削減するため、グラフトポロジサンプリングが提案されている。
本稿では,3層GCNのトレーニング(最大)におけるグラフトポロジサンプリングの最初の理論的正当性について述べる。
論文 参考訳（メタデータ） (2022-07-07T21:25:55Z) - Analyzing the Effects of Handling Data Imbalance on Learned Features
from Medical Images by Looking Into the Models [50.537859423741644]
不均衡なデータセットでモデルをトレーニングすることは、学習問題にユニークな課題をもたらす可能性がある。
ニューラルネットワークの内部ユニットを深く調べて、データの不均衡処理が学習した機能にどのように影響するかを観察します。
論文 参考訳（メタデータ） (2022-04-04T09:38:38Z) - Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised
Node Classification [59.06717774425588]
本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。
出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。
本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
論文 参考訳（メタデータ） (2021-07-27T19:47:53Z) - GCN-Based Linkage Prediction for Face Clustering on Imbalanced Datasets:
An Empirical Study [5.416933126354173]
本稿では,不均衡ラベルを緩和する新しい手法と,逆不均衡重み付きサンプリング戦略を用いてグラフ表現を拡大する手法を提案する。
コードと一連の不均衡なベンチマークデータセットはhttps://github.com/espectre/GCNs_on_im Balanced_datasetsで公開されている。
論文 参考訳（メタデータ） (2021-07-06T08:45:26Z) - 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。