論文の概要: Imbalanced Graph Classification via Graph-of-Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2112.00238v1
- Date: Wed, 1 Dec 2021 02:25:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-02 16:03:00.575645
- Title: Imbalanced Graph Classification via Graph-of-Graph Neural Networks
- Title（参考訳）: グラフ・オブ・グラフニューラルネットワークによる不均衡グラフ分類
- Authors: Yu Wang, Yuying Zhao, Neil Shah, Tyler Derr
- Abstract要約: グラフニューラルネットワーク(GNN)は、グラフの分類ラベルを識別するグラフ表現の学習において、前例のない成功を収めている。
本稿では,グラフ不均衡問題を軽減する新しいフレームワークであるグラフ・オブ・グラフニューラルネットワーク(G$2$GNN)を提案する。
提案したG$2$GNNは,F1-macroとF1-microのスコアにおいて,多くのベースラインを約5%上回る性能を示した。
- 参考スコア（独自算出の注目度）: 16.589373163769853
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph Neural Networks (GNNs) have achieved unprecedented success in learning
graph representations to identify categorical labels of graphs. However, most
existing graph classification problems with GNNs follow a balanced data
splitting protocol, which is misaligned with many real-world scenarios in which
some classes have much fewer labels than others. Directly training GNNs under
this imbalanced situation may lead to uninformative representations of graphs
in minority classes, and compromise the overall performance of downstream
classification, which signifies the importance of developing effective GNNs for
handling imbalanced graph classification. Existing methods are either tailored
for non-graph structured data or designed specifically for imbalance node
classification while few focus on imbalance graph classification. To this end,
we introduce a novel framework, Graph-of-Graph Neural Networks (G$^2$GNN),
which alleviates the graph imbalance issue by deriving extra supervision
globally from neighboring graphs and locally from graphs themselves. Globally,
we construct a graph of graphs (GoG) based on kernel similarity and perform GoG
propagation to aggregate neighboring graph representations, which are initially
obtained by node-level propagation with pooling via a GNN encoder. Locally, we
employ topological augmentation via masking nodes or dropping edges to improve
the model generalizability in discerning topology of unseen testing graphs.
Extensive graph classification experiments conducted on seven benchmark
datasets demonstrate our proposed G$^2$GNN outperforms numerous baselines by
roughly 5\% in both F1-macro and F1-micro scores. The implementation of
G$^2$GNN is available at
\href{https://github.com/YuWVandy/G2GNN}{https://github.com/YuWVandy/G2GNN}.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)はグラフの分類ラベルを識別するグラフ表現の学習において前例のない成功を収めている。
しかし、GNNの既存のグラフ分類問題はバランスの取れたデータ分割プロトコルに従っており、これはいくつかのクラスが他のクラスよりもはるかに少ないラベルを持つ多くの実世界のシナリオと不一致である。
この不均衡な状況下でのGNNの直接訓練は、マイノリティクラスにおけるグラフの非形式的表現をもたらし、不均衡なグラフ分類を扱うための効果的なGNNを開発することの重要性を示す下流分類の全体的な性能を損なう可能性がある。
既存の手法は非グラフ構造データ向けに調整されているか、不均衡ノード分類のために特別に設計されている。
この目的のために,グラフネットワーク(G$^2$GNN, Graph-of-Graph Neural Networks)という新しいフレームワークを導入する。
グローバルに,カーネル類似性に基づくグラフグラフ(gog)を構築し,gnnエンコーダを経由したノードレベルのパブリッシングによって最初に得られる隣接グラフ表現を集約するgog伝搬を行う。
局所的には、マスキングノードやエッジのドロップによるトポロジー拡張を用いて、見当たらないテストグラフのトポロジーを識別するモデルの一般化性を改善する。
7つのベンチマークデータセットを用いたグラフ分類実験により、提案したG$^2$GNNは、F1-macroとF1-microのスコアにおいて、多くのベースラインよりも約5倍高い性能を示した。
G$2$GNNの実装は \href{https://github.com/YuWVandy/G2GNN}{https://github.com/YuWVandy/G2GNN} で見ることができる。
関連論文リスト
- Spectral Greedy Coresets for Graph Neural Networks [61.24300262316091]
ノード分類タスクにおける大規模グラフの利用は、グラフニューラルネットワーク(GNN)の現実的な応用を妨げる
本稿では,GNNのグラフコアセットについて検討し,スペクトル埋め込みに基づくエゴグラフの選択により相互依存の問題を回避する。
我々のスペクトルグレディグラフコアセット(SGGC)は、数百万のノードを持つグラフにスケールし、モデル事前学習の必要性を排除し、低ホモフィリーグラフに適用する。
論文 参考訳（メタデータ） (2024-05-27T17:52:12Z) - GNNEvaluator: Evaluating GNN Performance On Unseen Graphs Without Labels [81.93520935479984]
本稿では,ラベル付きおよび観測されたグラフに基づいて学習した特定のGNNモデルの性能を評価することを目的とした,新しい問題であるGNNモデル評価について検討する。
本稿では,(1) DiscGraph セット構築と(2) GNNEvaluator トレーニングと推論を含む2段階の GNN モデル評価フレームワークを提案する。
DiscGraphセットからの効果的なトレーニング監督の下で、GNNEvaluatorは、評価対象であるGNNモデルのノード分類精度を正確に推定することを学ぶ。
論文 参考訳（メタデータ） (2023-10-23T05:51:59Z) - Self-attention Dual Embedding for Graphs with Heterophily [6.803108335002346]
多くの実世界のグラフはヘテロ親和性があり、標準のGNNを用いた分類精度ははるかに低い。
ヘテロ親和性グラフとホモ親和性グラフの両方に有効である新しいGNNを設計する。
我々は,数千から数百万のノードを含む実世界のグラフ上でアルゴリズムを評価し,最先端の結果が得られたことを示す。
論文 参考訳（メタデータ） (2023-05-28T09:38:28Z) - A Topological characterisation of Weisfeiler-Leman equivalence classes [0.0]
グラフニューラルネットワーク(GNN)は、グラフと信号をグラフ上で処理することを目的とした学習モデルである。
本稿では、GNNが区別できないグラフのクラスを完全に特徴づけるために、被覆空間の理論に依存する。
データセット内の識別不能グラフの数は,ノード数とともに指数関数的に増加することを示す。
論文 参考訳（メタデータ） (2022-06-23T17:28:55Z) - KGNN: Harnessing Kernel-based Networks for Semi-supervised Graph
Classification [13.419578861488226]
半教師付きグラフ分類のための Kernel-based Graph Neural Network (KGNN) を提案する。
我々は,KGNNが競争ベースラインよりも優れた性能を発揮することを示す。
論文 参考訳（メタデータ） (2022-05-21T10:03:46Z) - Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。
GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。
提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文 参考訳（メタデータ） (2022-03-03T09:53:53Z) - Transferability Properties of Graph Neural Networks [125.71771240180654]
グラフニューラルネットワーク(GNN)は、中規模グラフでサポートされているデータから表現を学ぶのに成功している。
適度な大きさのグラフ上でGNNを訓練し、それらを大規模グラフに転送する問題について検討する。
その結果, (i) グラフサイズに応じて転送誤差が減少し, (ii) グラフフィルタは非線型性の散乱挙動によってGNNにおいて緩和されるような転送可能性-識別可能性トレードオフを有することがわかった。
論文 参考訳（メタデータ） (2021-12-09T00:08:09Z) - A Unified Lottery Ticket Hypothesis for Graph Neural Networks [82.31087406264437]
本稿では,グラフ隣接行列とモデルの重み付けを同時に行う統一GNNスペーシフィケーション(UGS)フレームワークを提案する。
グラフ宝くじ(GLT)をコアサブデータセットとスパースサブネットワークのペアとして定義することにより、人気のある宝くじチケット仮説を初めてGNNsにさらに一般化します。
論文 参考訳（メタデータ） (2021-02-12T21:52:43Z) - GraphCrop: Subgraph Cropping for Graph Classification [36.33477716380905]
我々は,サブ構造欠落の現実的なノイズをシミュレートするtextbfGraphCrop (Subgraph Cropping) データ拡張法を開発した。
グラフ分類のための有効な構造コンテキストを保存することにより、GNNはグローバルな意味でグラフ構造の内容を理解することを奨励する。
論文 参考訳（メタデータ） (2020-09-22T14:05:41Z) - Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。
標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。
総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
論文 参考訳（メタデータ） (2020-07-08T19:48:19Z) - Few-Shot Learning on Graphs via Super-Classes based on Graph Spectral
Measures [14.932318540666545]
グラフニューラルネットワーク (GNN) におけるショットグラフ分類の問題について, 限定ラベル付きグラフの場合, 未確認のクラスを認識するために検討した。
グラフ正規化ラプラシアンのスペクトルに基づいて確率測度を各グラフに割り当てる手法を提案する。
論文 参考訳（メタデータ） (2020-02-27T17:11:14Z)
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。