Fugu-MT 論文翻訳(概要): Meta Propagation Networks for Graph Few-shot Semi-supervised Learning

論文の概要: Meta Propagation Networks for Graph Few-shot Semi-supervised Learning

arxiv url: http://arxiv.org/abs/2112.09810v1
Date: Sat, 18 Dec 2021 00:11:56 GMT
ステータス: 処理完了
システム内更新日: 2021-12-23 04:53:53.436681
Title: Meta Propagation Networks for Graph Few-shot Semi-supervised Learning
Title（参考訳）: グラフファウショットセミ教師あり学習のためのメタプロパゲーションネットワーク
Authors: Kaize Ding, Jianling Wang, James Caverlee and Huan Liu
Abstract要約: 本稿では,この問題を解決するために,メタ学習アルゴリズムを用いた新しいネットワークアーキテクチャを提案する。基本的に,我々のMeta-PNフレームワークは,メタ学習ラベルの伝搬戦略を用いて,未ラベルノード上の高品質な擬似ラベルを推論する。我々のアプローチは、様々なベンチマークデータセットの既存の技術と比較して、容易で実質的なパフォーマンス向上を提供する。
参考スコア（独自算出の注目度）: 39.96930762034581
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Inspired by the extensive success of deep learning, graph neural networks (GNNs) have been proposed to learn expressive node representations and demonstrated promising performance in various graph learning tasks. However, existing endeavors predominately focus on the conventional semi-supervised setting where relatively abundant gold-labeled nodes are provided. While it is often impractical due to the fact that data labeling is unbearably laborious and requires intensive domain knowledge, especially when considering the heterogeneity of graph-structured data. Under the few-shot semi-supervised setting, the performance of most of the existing GNNs is inevitably undermined by the overfitting and oversmoothing issues, largely owing to the shortage of labeled data. In this paper, we propose a decoupled network architecture equipped with a novel meta-learning algorithm to solve this problem. In essence, our framework Meta-PN infers high-quality pseudo labels on unlabeled nodes via a meta-learned label propagation strategy, which effectively augments the scarce labeled data while enabling large receptive fields during training. Extensive experiments demonstrate that our approach offers easy and substantial performance gains compared to existing techniques on various benchmark datasets.
Abstract（参考訳）: ディープラーニングの広範な成功にインスパイアされたグラフニューラルネットワーク(GNN)は,表現力のあるノード表現を学習し,様々なグラフ学習タスクにおいて有望な性能を示した。しかし、既存の取り組みは、比較的豊富な金色ノードが設けられる従来の半教師付き設定に重点を置いている。データラベリングは耐え難い労力と集中的なドメイン知識を必要とするため、グラフ構造化データの多様性を考慮すると、しばしば非現実的である。数発の半教師付き設定の下では、既存のGNNのほとんどのパフォーマンスは、ラベル付きデータが不足しているため、過度な適合と過度にスムースな問題によって必然的に損なわれている。本稿では,この問題を解決するために,新しいメタ学習アルゴリズムを備えた分散ネットワークアーキテクチャを提案する。基本的に、メタpnフレームワークは、メタリールラベル伝播戦略を介してラベルなしノード上の高品質の擬似ラベルを推論し、トレーニング中に大きな受容フィールドを可能にしながら、不足したラベル付きデータを効果的に強化する。広範な実験により、ベンチマークデータセットの既存の技術と比較して、我々のアプローチは簡単かつ実質的なパフォーマンス向上をもたらすことが示されました。

関連論文リスト

Enhancing Graph Neural Networks with Limited Labeled Data by Actively Distilling Knowledge from Large Language Models [30.867447814409623]
グラフニューラルネットワーク(GNN)は、グラフの基本課題であるノード分類において優れた能力を持つ。本稿では,Large Language Models(LLM)とGNNを統合する新しい手法を提案する。我々のモデルでは,ラベル付きデータによるノード分類精度を著しく向上し,最先端のベースラインをかなりのマージンで超えた。
論文参考訳（メタデータ） (2024-07-19T02:34:10Z)
Hyperbolic Graph Neural Networks at Scale: A Meta Learning Approach [19.237565246362134]
本稿では,ノード分類とリンク予測のための新しい手法であるHyperbolic GRAph Meta Learner (H-GRAM)を提案する。 H-GRAMは、ハイパーボリックなメタグラデーションとラベルのハイパーボリックなプロトネットという形で、サポートローカルなサブグラフの集合から転送可能な情報を学習する。比較分析の結果,H-GRAMは複数の難易度設定で情報を効果的に学習し,転送することがわかった。
論文参考訳（メタデータ） (2023-10-29T06:11:49Z)
SMARTQUERY: An Active Learning Framework for Graph Neural Networks through Hybrid Uncertainty Reduction [25.77052028238513]
本稿では,ハイブリッド不確実性低減関数を用いて,ラベル付きノードの少ないグラフニューラルネットワークを学習するフレームワークを提案する。ごく少数のラベル付きデータを用いた最先端技術に対する本手法の競合性能を実証する。
論文参考訳（メタデータ） (2022-12-02T20:49:38Z)
Learning with Few Labeled Nodes via Augmented Graph Self-Training [36.97506256446519]
GST(Augmented Graph Self-Training)フレームワークは、分離されたGSTバックボーンの上に2つの新しい(構造的および意味的な)拡張モジュールで構築されている。この新たなフレームワークが,ラベル付きノードを極端に限定した効率的なグラフ予測モデルを学習できるかどうかを検討する。
論文参考訳（メタデータ） (2022-08-26T03:36:01Z)
Bag of Tricks for Training Deeper Graph Neural Networks: A Comprehensive Benchmark Study [100.27567794045045]
ディープグラフニューラルネットワーク(GNN)のトレーニングは、非常に難しい。我々は、深層GNNの「トリック」を評価するための最初の公正かつ再現可能なベンチマークを示す。
論文参考訳（メタデータ） (2021-08-24T05:00:37Z)
ROD: Reception-aware Online Distillation for Sparse Graphs [23.55530524584572]
疎グラフ学習のための新しいレセプション対応オンライン知識蒸留手法 ROD を提案する。 RODのための3つの監視信号: マルチスケールの受信対応グラフ知識、タスクベース監視、豊富な蒸留知識。我々のアプローチは9つのデータセットと様々なグラフベースのタスクで広く評価されている。
論文参考訳（メタデータ） (2021-07-25T11:55:47Z)
Weakly-supervised Graph Meta-learning for Few-shot Node Classification [53.36828125138149]
新しいグラフメタ学習フレームワーク - Graph Hallucination Networks (Meta-GHN) を提案する。新たなロバストネス強化エピソードトレーニングに基づいて、Meta-GHNは、弱いラベル付きデータからクリーンノード表現を幻覚させるメタ学習を行う。大規模な実験は、既存のグラフメタ学習研究よりもMeta-GHNの方が優れていることを示す。
論文参考訳（メタデータ） (2021-06-12T22:22:10Z)
Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
論文参考訳（メタデータ） (2021-01-16T16:18:43Z)
Cyclic Label Propagation for Graph Semi-supervised Learning [52.102251202186025]
本稿では,CycPropと呼ばれるグラフ半教師付き学習のための新しいフレームワークを提案する。 CycPropはGNNを周期的かつ相互に強化された方法でラベル伝播の過程に統合する。特に,提案するCycPropでは,GNNモジュールが学習したノード埋め込みをラベル伝搬による拡張情報で更新する。
論文参考訳（メタデータ） (2020-11-24T02:55:40Z)
Knowledge-Guided Multi-Label Few-Shot Learning for General Image Recognition [75.44233392355711]
KGGRフレームワークは、ディープニューラルネットワークと統計ラベル相関の事前知識を利用する。まず、統計ラベルの共起に基づいて異なるラベルを相関させる構造化知識グラフを構築する。次に、ラベルセマンティクスを導入し、学習セマンティクス固有の特徴をガイドする。グラフノードの相互作用を探索するためにグラフ伝搬ネットワークを利用する。
論文参考訳（メタデータ） (2020-09-20T15:05:29Z)

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。