論文の概要: Semi-Supervised Graph Learning Meets Dimensionality Reduction

• arxiv url: http://arxiv.org/abs/2203.12522v1
• Date: Wed, 23 Mar 2022 16:31:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-24 14:49:35.220786
• Title: Semi-Supervised Graph Learning Meets Dimensionality Reduction
• Title（参考訳）: 半教師付きグラフ学習の次元化
• Authors: Alex Morehead, Watchanan Chantapakul, Jianlin Cheng
• Abstract要約: 半教師付き学習(SSL)は最近、機械学習研究者から注目を集めている。 本研究では,PCA, t-SNE, UMAPなどの次元減少技術を用いて, グラフニューラルネットワーク(GNN)の性能に与える影響について検討する。 ベンチマークとクラスタリングの可視化により,GNN入力と出力に対する先行次元と後続次元の低減をそれぞれ利用することで,半教師付きノードラベルの伝搬とノードクラスタリングの有効性を同時に向上できることが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semi-supervised learning (SSL) has recently received increased attention from machine learning researchers. By enabling effective propagation of known labels in graph-based deep learning (GDL) algorithms, SSL is poised to become an increasingly used technique in GDL in the coming years. However, there are currently few explorations in the graph-based SSL literature on exploiting classical dimensionality reduction techniques for improved label propagation. In this work, we investigate the use of dimensionality reduction techniques such as PCA, t-SNE, and UMAP to see their effect on the performance of graph neural networks (GNNs) designed for semi-supervised propagation of node labels. Our study makes use of benchmark semi-supervised GDL datasets such as the Cora and Citeseer datasets to allow meaningful comparisons of the representations learned by each algorithm when paired with a dimensionality reduction technique. Our comprehensive benchmarks and clustering visualizations quantitatively and qualitatively demonstrate that, under certain conditions, employing a priori and a posteriori dimensionality reduction to GNN inputs and outputs, respectively, can simultaneously improve the effectiveness of semi-supervised node label propagation and node clustering. Our source code is freely available on GitHub.
• Abstract（参考訳）: semi-supervised learning(ssl)は最近、機械学習研究者から注目を集めている。 グラフベースのディープラーニング(GDL)アルゴリズムで既知のラベルを効果的に伝播させることで、SSLは今後数年でGDLでますます使われる技術になりそうだ。 しかし、グラフベースのSSL文献では、ラベルの伝搬を改善するために古典的な次元削減技術を活用する研究はほとんど行われていない。 本研究では,PCA, t-SNE, UMAPなどの次元減少技術を用いて,ノードラベルの半教師付き伝搬のために設計されたグラフニューラルネットワーク(GNN)の性能に与える影響について検討する。 本研究では,Cora や Citeseer などのベンチマーク半教師付き GDL データセットを用いて,各アルゴリズムで学習した表現を次元削減手法と組み合わせて有意義な比較を可能にする。 包括的ベンチマークとクラスタリングの可視化は、ある条件下では、GNN入力と出力に対する事前次元と後続次元の削減を用いて、半教師付きノードラベルの伝搬とノードクラスタリングの有効性を同時に改善できることを示す。 ソースコードはGitHubから無償で入手可能です。

関連論文リスト

• Variational Graph Contrastive Learning [1.9950682531209158]
  グラフ表現学習(GRL)は、高次元グラフ構造化データを低次元ベクトルに符号化することを目的とした機械学習の基本課題である。 本研究では,SGEC(Subgraph Gaussian Embedding Contrast)法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T17:23:07Z)
• GNUMAP: A Parameter-Free Approach to Unsupervised Dimensionality Reduction via Graph Neural Networks [0.8192907805418583]
  我々はMAPが既存のGNN埋め込み手法を様々な文脈で一貫して上回ることを示す。 本稿では,従来の UMAP アプローチと GNN フレームワークの表現性を融合した,教師なしノード表現学習のための頑健かつパラメータフリーな手法を提案する。
  論文  参考訳（メタデータ） (2024-07-30T22:58:23Z)
• On the Generalization Capability of Temporal Graph Learning Algorithms: Theoretical Insights and a Simpler Method [59.52204415829695]
  テンポラルグラフ学習(TGL)は、様々な現実世界のアプリケーションにまたがる一般的なテクニックとなっている。 本稿では,異なるTGLアルゴリズムの一般化能力について検討する。 一般化誤差が小さく、全体的な性能が向上し、モデルの複雑さが低下する単純化されたTGLネットワークを提案する。
  論文  参考訳（メタデータ） (2024-02-26T08:22:22Z)
• Label Deconvolution for Node Representation Learning on Large-scale Attributed Graphs against Learning Bias [75.44877675117749]
  本稿では,GNNの逆写像に対する新しい,スケーラブルな近似による学習バイアスを軽減するために,ラベルの効率的な正規化手法,すなわちラベルのデコンボリューション(LD)を提案する。 実験では、LDはOpen Graphデータセットのベンチマークで最先端のメソッドを大幅に上回っている。
  論文  参考訳（メタデータ） (2023-09-26T13:09:43Z)
• Steering Graph Neural Networks with Pinning Control [23.99873285634287]
  ラベル付きデータのプロトタイプ(クラスセンター)を活用することで表現学習を監督する制御原理を提案する。 グラフ学習を離散的動的プロセスとして扱うことと、ラベル付きデータのプロトタイプを「望ましい」クラス表現として扱うことにより、自動制御理論からピンニング制御のアイデアを借用する。 実験により,提案したPCGCNモデルにより,深部GNNや他の競合するヘテロフィリ指向手法よりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-03-02T13:50:23Z)
• 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)
• 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)
• Contrastive and Generative Graph Convolutional Networks for Graph-based Semi-Supervised Learning [64.98816284854067]
  グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。 本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-15T13:59:28Z)
• Infinitely Wide Graph Convolutional Networks: Semi-supervised Learning via Gaussian Processes [144.6048446370369]
  グラフ畳み込みニューラルネットワーク(GCN)は近年,グラフに基づく半教師付き半教師付き分類において有望な結果を示した。 グラフに基づく半教師付き学習のためのGCN(GPGC)を用いたGP回帰モデルを提案する。 GPGCを評価するための広範囲な実験を行い、他の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-02-26T10:02:32Z)

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。