論文の概要: Deep Unsupervised Active Learning on Learnable Graphs

• arxiv url: http://arxiv.org/abs/2111.04286v1
• Date: Mon, 8 Nov 2021 06:03:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-09 14:21:46.519829
• Title: Deep Unsupervised Active Learning on Learnable Graphs
• Title（参考訳）: 学習可能なグラフの深い教師なしアクティブラーニング
• Authors: Handong Ma, Changsheng Li, Xinchu Shi, Ye Yuan, Guoren Wang
• Abstract要約: 本稿では ALLG という名前のLearningable Graphs を用いた,新しい教師なしアクティブラーニングモデルを提案する。 我々の知る限りでは、グラフ構造学習を教師なしのアクティブラーニングに活用するための最初の試みである。
• 参考スコア（独自算出の注目度）: 25.08436424513974
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently deep learning has been successfully applied to unsupervised active learning. However, current method attempts to learn a nonlinear transformation via an auto-encoder while ignoring the sample relation, leaving huge room to design more effective representation learning mechanisms for unsupervised active learning. In this paper, we propose a novel deep unsupervised Active Learning model via Learnable Graphs, named ALLG. ALLG benefits from learning optimal graph structures to acquire better sample representation and select representative samples. To make the learnt graph structure more stable and effective, we take into account $k$-nearest neighbor graph as a priori, and learn a relation propagation graph structure. We also incorporate shortcut connections among different layers, which can alleviate the well-known over-smoothing problem to some extent. To the best of our knowledge, this is the first attempt to leverage graph structure learning for unsupervised active learning. Extensive experiments performed on six datasets demonstrate the efficacy of our method.
• Abstract（参考訳）: 近年,教師なし能動学習への深層学習の適用が成功している。 しかし、現在の手法では、サンプル関係を無視しながらオートエンコーダを介して非線形変換を学習し、教師なしアクティブ学習のためのより効果的な表現学習機構を設計する余地を残している。 本稿では, ALLG と呼ばれる学習可能グラフを用いた深層教師なし能動学習モデルを提案する。 ALLGは最適なグラフ構造を学習することで、より良いサンプル表現を取得し、代表サンプルを選択することができる。 学習したグラフ構造をより安定かつ効果的にするために、$k$-nearest 隣のグラフを優先順位として考慮し、関係伝播グラフ構造を学ぶ。 異なるレイヤ間でのショートカット接続も組み込むことで、よく知られたオーバースムーシング問題をある程度軽減できます。 我々の知る限りでは、グラフ構造学習を教師なしアクティブラーニングに活用するための最初の試みである。 6つのデータセットで広範な実験を行い,本手法の有効性を示した。

関連論文リスト

• Disentangled Generative Graph Representation Learning [51.59824683232925]
  本稿では,自己教師型学習フレームワークであるDiGGR(Disentangled Generative Graph Representation Learning)を紹介する。 潜伏要因を学習し、それをグラフマスクモデリングのガイドとして活用することを目的としている。 2つの異なるグラフ学習タスクのための11の公開データセットの実験は、DiGGRが従来よりも一貫して多くの自己教師付きメソッドを上回っていることを示している。
  論文  参考訳（メタデータ） (2024-08-24T05:13:02Z)
• Efficiently Learning the Graph for Semi-supervised Learning [4.518012967046983]
  共役勾配法を用いてスパース族から最良のグラフを効率的に学習する方法を示す。 我々の手法は、軽度な滑らかさの仮定の下で、オンラインのサブ線形後悔でグラフを効率的に学習するためにも利用できる。 提案手法を実装し,ベンチマークデータセット上の学習グラフを用いた半教師付き学習の先行研究に対して,大幅な(sim$10-100x)スピードアップを示す。
  論文  参考訳（メタデータ） (2023-06-12T13:22:06Z)
• GIF: A General Graph Unlearning Strategy via Influence Function [63.52038638220563]
  Graph Influence Function (GIF)は、削除されたデータにおける$epsilon$-massの摂動に応答してパラメータの変化を効率的に正確に推定できる、モデルに依存しない未学習の手法である。 我々は,4つの代表的GNNモデルと3つのベンチマークデータセットについて広範な実験を行い,未学習の有効性,モデルの有用性,未学習効率の観点からGIFの優位性を正当化する。
  論文  参考訳（メタデータ） (2023-04-06T03:02:54Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• ARIEL: Adversarial Graph Contrastive Learning [51.14695794459399]
  ARIELは、ノードレベルとグラフレベルの両方の分類タスクにおいて、現在のグラフコントラスト学習法よりも一貫して優れている。 ARIELは敵の攻撃に対してより堅牢である。
  論文  参考訳（メタデータ） (2022-08-15T01:24:42Z)
• Multi-view graph structure learning using subspace merging on Grassmann manifold [4.039245878626346]
  MV-GSL(Multi-View Graph Structure Learning)と呼ばれる多視点学習を用いた新しいグラフ構造学習手法を提案する。 グラスマン多様体上の部分空間マージを用いた異なるグラフ構造学習法を集約し、学習したグラフ構造の品質を向上させる。 実験の結果,提案手法はグラフ構造学習法とグラフ構造学習法を併用した場合と比較して有望な性能を示した。
  論文  参考訳（メタデータ） (2022-04-11T17:01:05Z)
• Adversarial Graph Contrastive Learning with Information Regularization [51.14695794459399]
  コントラスト学習はグラフ表現学習において有効な方法である。 グラフ上のデータ拡張は、はるかに直感的ではなく、高品質のコントラスト的なサンプルを提供するのがずっと難しい。 逆グラフ比較学習(Adversarial Graph Contrastive Learning, ARIEL)を提案する。 さまざまな実世界のデータセット上でのノード分類タスクにおいて、現在のグラフのコントラスト学習方法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2022-02-14T05:54:48Z)
• Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
  本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。 具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
  論文  参考訳（メタデータ） (2022-01-17T11:57:29Z)
• Towards Interpretable Multi-Task Learning Using Bilevel Programming [18.293397644865454]
  解釈可能なマルチタスク学習は、学習したモデルの予測性能に基づいて、タスク関係のスパースグラフを学習するものとして表現することができる。 一般化性能を犠牲にすることなく、学習したモデルの解釈性や、合成データと実データとの関係を実証的に改善する方法を示す。
  論文  参考訳（メタデータ） (2020-09-11T15:04:27Z)

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。