論文の概要: Metropolis-Hastings Data Augmentation for Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2203.14082v1
- Date: Sat, 26 Mar 2022 14:00:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-29 16:04:53.505924
- Title: Metropolis-Hastings Data Augmentation for Graph Neural Networks
- Title(参考訳): グラフニューラルネットワークのためのMetropolis-Hastingsデータ拡張
- Authors: Hyeonjin Park, Seunghun Lee, Sihyeon Kim, Jinyoung Park, Jisu Jeong,
Kyung-Min Kim, Jung-Woo Ha, Hyunwoo J. Kim
- Abstract要約: グラフニューラルネットワーク(GNN)は、少ないラベル付きデータによって、しばしば一般化の弱さに悩まされる。
データ拡張は、多くの領域におけるモデルの一般化能力を改善するための一般的な治療法である。
半教師付き学習のための明示的な目標分布から拡張グラフを描画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): 21.57593078836311
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph Neural Networks (GNNs) often suffer from weak-generalization due to
sparsely labeled data despite their promising results on various graph-based
tasks. Data augmentation is a prevalent remedy to improve the generalization
ability of models in many domains. However, due to the non-Euclidean nature of
data space and the dependencies between samples, designing effective
augmentation on graphs is challenging. In this paper, we propose a novel
framework Metropolis-Hastings Data Augmentation (MH-Aug) that draws augmented
graphs from an explicit target distribution for semi-supervised learning.
MH-Aug produces a sequence of augmented graphs from the target distribution
enables flexible control of the strength and diversity of augmentation. Since
the direct sampling from the complex target distribution is challenging, we
adopt the Metropolis-Hastings algorithm to obtain the augmented samples. We
also propose a simple and effective semi-supervised learning strategy with
generated samples from MH-Aug. Our extensive experiments demonstrate that
MH-Aug can generate a sequence of samples according to the target distribution
to significantly improve the performance of GNNs.
- Abstract(参考訳): グラフニューラルネットワーク(GNN)は、様々なグラフベースのタスクにおける有望な結果にもかかわらず、少ないラベル付きデータによって、しばしば一般化の弱さに悩まされる。
データ拡張は、多くのドメインにおけるモデルの一般化能力を改善するための一般的な修正である。
しかし、データ空間の非ユークリッド的性質とサンプル間の依存関係のため、グラフ上の効果的な拡張の設計は困難である。
本稿では,半教師付き学習のための明示的な目標分布から拡張グラフを引き出す新しいフレームワークであるMetropolis-Hastings Data Augmentation(MH-Aug)を提案する。
mh-augはターゲット分布から拡張グラフのシーケンスを生成し、拡張の強さと多様性を柔軟に制御できる。
複雑なターゲット分布からの直接サンプリングは困難であるため、我々はMetropolis-Hastingsアルゴリズムを用いて拡張サンプルを得る。
また,MH-Augから生成したサンプルを用いた,シンプルで効果的な半教師付き学習戦略を提案する。
広範な実験により,mh-augはgnnの性能を著しく向上させるために,ターゲット分布に応じて一連のサンプルを生成できることが証明された。
関連論文リスト
- Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。
このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。
また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
論文 参考訳(メタデータ) (2025-01-01T08:48:53Z) - Gaussian Mixture Models Based Augmentation Enhances GNN Generalization [22.04352144324223]
本稿では,Rademacher複雑性を用いた理論的枠組みを導入し,一般化誤差を計算した。
このフレームワークは、グラフデータ拡張(GDA)アルゴリズムであるGMM-GDAの設計を通知する。
論文 参考訳(メタデータ) (2024-11-13T14:26:04Z) - GALA: Graph Diffusion-based Alignment with Jigsaw for Source-free Domain Adaptation [13.317620250521124]
ソースコードのないドメイン適応は、現実世界で多くのアプリケーションを含むため、重要な機械学習トピックである。
最近のグラフニューラルネットワーク(GNN)アプローチは、ドメインシフトとラベルの不足により、パフォーマンスが著しく低下する可能性がある。
本稿では, ソースフリーなグラフドメイン適応に適した Jigsaw (GALA) を用いたグラフ拡散に基づくアライメント法を提案する。
論文 参考訳(メタデータ) (2024-10-22T01:32:46Z) - Graph Out-of-Distribution Generalization with Controllable Data
Augmentation [51.17476258673232]
グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。
トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。
仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
論文 参考訳(メタデータ) (2023-08-16T13:10:27Z) - GraphTTA: Test Time Adaptation on Graph Neural Networks [10.582212966736645]
グラフニューラルネットワーク(GNN)のための新しいテスト時間適応戦略であるグラフ適応擬似グループコントラスト(GAPGC)を提案する。
GAPGCは、TTA中に自己教師型タスクとして、Adversarial Learnable Augmenter と Group Pseudo-Positive Samples を備えた対照的な学習変種を採用している。
我々は,GAPGCが情報理論の観点から主課題に必要な最小限の情報を引き出すことができるという理論的証拠を提供する。
論文 参考訳(メタデータ) (2022-08-19T02:24:16Z) - Graph Generative Model for Benchmarking Graph Neural Networks [73.11514658000547]
本稿では,プライバシ制御により実世界のグラフの分布を学習し,再現する新しいグラフ生成モデルを提案する。
我々のモデルは、GNNモデルのベンチマークに効果的に使用できる大規模な実世界のグラフの、プライバシ制御された合成代用をうまく生成することができる。
論文 参考訳(メタデータ) (2022-07-10T06:42:02Z) - An Empirical Study of Retrieval-enhanced Graph Neural Networks [48.99347386689936]
グラフニューラルネットワーク(GNN)は、グラフ表現学習に有効なツールである。
本稿では,グラフニューラルネットワークモデルの選択に非依存な GraphRETRIEVAL という検索強化方式を提案する。
我々は13のデータセットに対して包括的な実験を行い、GRAPHRETRIEVALが既存のGNNよりも大幅に改善されていることを観察した。
論文 参考訳(メタデータ) (2022-06-01T09:59:09Z) - OOD-GNN: Out-of-Distribution Generalized Graph Neural Network [73.67049248445277]
グラフニューラルネットワーク(GNN)は、グラフデータのテストとトレーニングを同一の分布から行うことで、優れたパフォーマンスを実現している。
既存のGNNでは、テストとグラフデータのトレーニングの間に分散シフトが存在する場合、その性能が著しく低下する。
本稿では,学習グラフと異なる分布を持つ未確認試験グラフに対して,満足な性能を実現するために,アウト・オブ・ディストリビューション一般化グラフニューラルネットワーク(OOD-GNN)を提案する。
論文 参考訳(メタデータ) (2021-12-07T16:29:10Z) - Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。
FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
論文 参考訳(メタデータ) (2020-10-19T21:51:47Z)
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。