論文の概要: Tackling the Imbalance for GNNs

• arxiv url: http://arxiv.org/abs/2110.08690v1
• Date: Sun, 17 Oct 2021 00:47:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-19 17:11:33.632408
• Title: Tackling the Imbalance for GNNs
• Title（参考訳）: GNNの不均衡に対処する
• Authors: Rui Wang and Weixuan Xiong and Qinghu Hou and Ou Wu
• Abstract要約: グラフニューラルネットワーク(GNN)は、ノードを表すノード(またはサンプル)間の情報交換を利用する。 不均衡な分布は少数クラスのノードの誤分類を引き起こし、データセット全体の分類性能を低下させる。 本研究では,GNNの性能に及ぼす不均衡問題の影響について検討し,その解法を提案する。
• 参考スコア（独自算出の注目度）: 6.411458089023361
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Different from deep neural networks for non-graph data classification, graph neural networks (GNNs) leverage the information exchange between nodes (or samples) when representing nodes. The category distribution shows an imbalance or even a highly-skewed trend on nearly all existing benchmark GNN data sets. The imbalanced distribution will cause misclassification of nodes in the minority classes, and even cause the classification performance on the entire data set to decrease. This study explores the effects of the imbalance problem on the performances of GNNs and proposes new methodologies to solve it. First, a node-level index, namely, the label difference index ($LDI$), is defined to quantitatively analyze the relationship between imbalance and misclassification. The less samples in a class, the higher the value of its average $LDI$; the higher the $LDI$ of a sample, the more likely the sample will be misclassified. We define a new loss and propose four new methods based on $LDI$. Experimental results indicate that the classification accuracies of the three among our proposed four new methods are better in both transductive and inductive settings. The $LDI$ can be applied to other GNNs.
• Abstract（参考訳）: 非グラフデータ分類のためのディープニューラルネットワークとは異なり、グラフニューラルネットワーク(GNN)はノードを表すノード(またはサンプル)間の情報交換を利用する。 カテゴリの分布は、既存のベンチマークgnnデータセットのほぼすべてにおいて、不均衡あるいは高リスクな傾向を示している。 不均衡分布はマイノリティクラス内のノードの誤分類を引き起こし、データセット全体の分類性能を低下させる。 本研究では,GNNの性能に及ぼす不均衡問題の影響について検討し,その解法を提案する。 まず、不均衡と誤分類の関係を定量的に分析するために、ノードレベルの指標、すなわちラベル差指数(ldi$)を定義する。 クラス内のサンプルが少ないほど、平均$LDI$の値が高くなるほど、サンプルの$LDI$の値が高くなるほど、サンプルは誤分類される可能性が高い。 新しい損失を定義し、$LDI$に基づいた4つの新しいメソッドを提案する。 実験の結果,提案する4つの手法のうち,3つの分類の精度は,トランスダクティブとインダクティブの両方において優れていることがわかった。 LDI$は、他のGNNにも適用される。

関連論文リスト

• Exact Certification of (Graph) Neural Networks Against Label Poisoning [50.87615167799367]
  機械学習モデルはラベルのフリップ(ラベルのフリップ)に弱い。 サンプルと集合証明書の両方を抽出し,正確な認証手法を提案する。 私たちの研究は、ニューラルネットワークによって引き起こされた毒殺攻撃に対する最初の正確な証明書を提示しました。
  論文  参考訳（メタデータ） (2024-11-30T17:05:12Z)
• 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)
• 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)
• 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)
• 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)
• Synthetic Over-sampling for Imbalanced Node Classification with Graph Neural Networks [34.81248024048974]
  グラフニューラルネットワーク(GNN)はノード分類の最先端性能を実現している。 多くの実世界のシナリオでは、ノードクラスは不均衡であり、グラフのほとんどの部分を構成する多数派クラスもある。 本研究では、マイノリティクラスの擬似インスタンスを生成し、トレーニングデータのバランスをとることで、この問題に対処する。
  論文  参考訳（メタデータ） (2022-06-10T19:47:05Z)
• Debiased Graph Neural Networks with Agnostic Label Selection Bias [59.61301255860836]
  既存のグラフニューラルネットワーク(GNN)のほとんどは、データの選択バイアスを考慮せずに提案されている。 本稿では,デコリレーションレギュレータを区別した新しいデバイアスドグラフニューラルネットワーク(DGNN)を提案する。 DGNNは既存のGNNを強化するフレキシブルなフレームワークである。
  論文  参考訳（メタデータ） (2022-01-19T16:50:29Z)
• $p$-Laplacian Based Graph Neural Networks [27.747195341003263]
  グラフネットワーク(GNN)は、グラフ上の半教師付きノード分類において優れた性能を示す。 我々は、離散正規化フレームワークからメッセージパッシング機構を導出する$p$GNNと呼ばれる新しい$p$LaplacianベースのGNNモデルを提案する。 新たなメッセージパッシング機構は低域通過フィルタと高域通過フィルタを同時に動作させることで,ホモ親和性グラフとヘテロ親和性グラフの両方に対して$p$GNNを有効にすることができることを示す。
  論文  参考訳（メタデータ） (2021-11-14T13:16:28Z)
• Distance-wise Prototypical Graph Neural Network in Node Imbalance Classification [9.755229198654922]
  本研究では,不均衡なグラフデータに対して,距離ワイドなプロトタイプグラフニューラルネットワーク(DPGNN)を提案する。 提案した DPGNN は, ほぼ常に他のベースラインよりも優れており, 不均衡ノード分類におけるその有効性を示している。
  論文  参考訳（メタデータ） (2021-10-22T19:43:15Z)
• Shift-Robust GNNs: Overcoming the Limitations of Localized Graph Training data [52.771780951404565]
  Shift-Robust GNN (SR-GNN) は、バイアス付きトレーニングデータとグラフの真の推論分布の分布差を考慮に入れた設計である。 SR-GNNが他のGNNベースラインを精度良く上回り、バイアス付きトレーニングデータから生じる負の効果の少なくとも40%を排除していることを示す。
  論文  参考訳（メタデータ） (2021-08-02T18:00:38Z)
• GraphSMOTE: Imbalanced Node Classification on Graphs with Graph Neural Networks [28.92347073786722]
  グラフニューラルネットワーク(GNN)はノード分類の最先端性能を達成した。 本稿では,ノード間の類似性をエンコードするために埋め込み空間を構築する新しいフレームワークであるgraphsmoteを提案する。 この空間で新しいサンプルが合成され、真正性が保証される。
  論文  参考訳（メタデータ） (2021-03-16T03:23:55Z)

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。