論文の概要: Towards Robust Graph Neural Networks for Noisy Graphs with Sparse Labels

• arxiv url: http://arxiv.org/abs/2201.00232v1
• Date: Sat, 1 Jan 2022 19:00:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-04 14:47:02.097835
• Title: Towards Robust Graph Neural Networks for Noisy Graphs with Sparse Labels
• Title（参考訳）: ばらばらなラベルを持つ雑音グラフのためのロバストグラフニューラルネットワーク
• Authors: Enyan Dai, Wei jIN, Hui Liu, Suhang Wang
• Abstract要約: ラベル付きノードを限定した雑音グラフ上で,堅牢なGNNを開発するための新しい問題について検討する。 分析の結果,ノイズの多いエッジと限定ラベル付きノードの両方が,GNNのメッセージパッシング機構を損なう可能性が示唆された。 本稿では,ノイズの多いエッジを教師として採用して,雑音に富んだ高密度グラフを学習する新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 24.25945793671978
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Neural Networks (GNNs) have shown their great ability in modeling graph structured data. However, real-world graphs usually contain structure noises and have limited labeled nodes. The performance of GNNs would drop significantly when trained on such graphs, which hinders the adoption of GNNs on many applications. Thus, it is important to develop noise-resistant GNNs with limited labeled nodes. However, the work on this is rather limited. Therefore, we study a novel problem of developing robust GNNs on noisy graphs with limited labeled nodes. Our analysis shows that both the noisy edges and limited labeled nodes could harm the message-passing mechanism of GNNs. To mitigate these issues, we propose a novel framework which adopts the noisy edges as supervision to learn a denoised and dense graph, which can down-weight or eliminate noisy edges and facilitate message passing of GNNs to alleviate the issue of limited labeled nodes. The generated edges are further used to regularize the predictions of unlabeled nodes with label smoothness to better train GNNs. Experimental results on real-world datasets demonstrate the robustness of the proposed framework on noisy graphs with limited labeled nodes.
• Abstract（参考訳）: グラフニューラルネットワーク(gnns)は、グラフ構造化データのモデリングに優れた能力を示している。 しかし、実世界のグラフは通常構造ノイズを含み、ラベル付きノードが限られている。 このようなグラフでトレーニングすると、GNNの性能は大幅に低下し、多くのアプリケーションでのGNNの採用を妨げることになる。 したがって、ラベル付きノードに制限のある耐雑音性GNNを開発することが重要である。 しかし、これに関する作業は限られている。 そこで,ラベル付きノードを限定した雑音グラフ上で頑健なgnnを開発するという新しい問題について検討する。 分析の結果,ノイズの多いエッジと限定ラベル付きノードの両方が,GNNのメッセージパッシング機構を損なう可能性が示唆された。 そこで本研究では,雑音エッジを監視対象とし,雑音エッジをダウンウェイトにしたり,ノイズエッジを取り除いたりし,gnnのメッセージパッシングを容易化し,制限されたラベル付きノードの問題を緩和する新しい枠組みを提案する。 生成されたエッジは、ラベルのスムーズさでラベルなしノードの予測を規則化し、GNNのトレーニングを改善するためにさらに使用される。 実世界のデータセットに対する実験結果から,限定ラベル付きノードを持つ雑音グラフ上でのフレームワークの堅牢性を示す。

関連論文リスト

• Spatio-Spectral Graph Neural Networks [50.277959544420455]
  比スペクトルグラフネットワーク(S$2$GNN)を提案する。 S$2$GNNは空間的およびスペクトル的にパラメータ化されたグラフフィルタを組み合わせる。 S$2$GNNsは、MPGNNsよりも厳密な近似理論誤差境界を生じる。
  論文  参考訳（メタデータ） (2024-05-29T14:28:08Z)
• DEGNN: Dual Experts Graph Neural Network Handling Both Edge and Node Feature Noise [5.048629544493508]
  グラフニューラルネットワーク(GNN)は、グラフデータよりも様々なアプリケーションで顕著な成功を収めている。 近年の研究では、実世界のグラフにはノイズがしばしば含まれており、GNNはグラフ内のノイズに影響を受けやすいことが判明している。 我々は、エッジとノードの特徴の両面においてノイズを効果的に緩和するために設計された新しいGNNモデルであるDECNNを提案する。
  論文  参考訳（メタデータ） (2024-04-14T10:04:44Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• Training Graph Neural Networks on Growing Stochastic Graphs [114.75710379125412]
  グラフニューラルネットワーク(GNN)は、ネットワーク化されたデータの意味のあるパターンを活用するために、グラフ畳み込みに依存している。 我々は,成長するグラフ列の極限オブジェクトであるグラフオンを利用して,非常に大きなグラフ上のGNNを学習することを提案する。
  論文  参考訳（メタデータ） (2022-10-27T16:00:45Z)
• Geodesic Graph Neural Network for Efficient Graph Representation Learning [34.047527874184134]
  我々はGeodesic GNN(GDGNN)と呼ばれる効率的なGNNフレームワークを提案する。 ラベル付けなしでノード間の条件付き関係をモデルに注入する。 ジオデシック表現を前提としたGDGNNは、通常のGNNよりもはるかにリッチな構造情報を持つノード、リンク、グラフ表現を生成することができる。
  論文  参考訳（メタデータ） (2022-10-06T02:02:35Z)
• 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)
• Dual GNNs: Graph Neural Network Learning with Limited Supervision [33.770877823910176]
  本稿では,この課題に対処するための新しいDual GNN学習フレームワークを提案する。 2つのモジュールを2つのGNN学習フレームワークに統合することにより、エンドツーエンドで共同学習を行う。
  論文  参考訳（メタデータ） (2021-06-29T23:52:25Z)
• NRGNN: Learning a Label Noise-Resistant Graph Neural Network on Sparsely and Noisily Labeled Graphs [20.470934944907608]
  グラフニューラルネットワーク(GNN)は,ノード分類などのグラフ上の半教師付き学習タスクに対して,有望な結果を得た。 多くの実世界のグラフはスパースでノイズの多いラベルが付けられており、GNNの性能を著しく低下させる可能性がある。 半教師付きノード分類のためのラベルノイズ耐性GNNを提案する。
  論文  参考訳（メタデータ） (2021-06-08T22:12:44Z)
• Learning to Drop: Robust Graph Neural Network via Topological Denoising [50.81722989898142]
  グラフニューラルネットワーク(GNN)のロバスト性および一般化性能を向上させるために,パラメータ化トポロジカルデノイングネットワークであるPTDNetを提案する。 PTDNetは、パラメータ化されたネットワークでスパーシファイドグラフ内のエッジ数をペナル化することで、タスク非関連エッジを創出する。 PTDNetはGNNの性能を著しく向上させ,さらにノイズの多いデータセットでは性能が向上することを示す。
  論文  参考訳（メタデータ） (2020-11-13T18:53:21Z)
• Understanding Graph Neural Networks from Graph Signal Denoising Perspectives [27.148827305359436]
  グラフニューラルネットワーク(GNN)は,ノード分類などのタスクの性能に優れていたため,注目されている。 本稿では,GNN,具体的にはスペクトルグラフ畳み込みネットワークとグラフアテンションネットワークを理解するための理論的枠組みを提供することを目的とする。
  論文  参考訳（メタデータ） (2020-06-08T07:10:39Z)
• XGNN: Towards Model-Level Explanations of Graph Neural Networks [113.51160387804484]
  グラフニューラルネットワーク(GNN)は、隣の情報を集約して組み合わせることでノードの特徴を学習する。 GNNはブラックボックスとして扱われ、人間の知的な説明が欠けている。 我々はモデルレベルでGNNを解釈する新しい手法 XGNN を提案する。
  論文  参考訳（メタデータ） (2020-06-03T23:52:43Z)

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。