論文の概要: GraFN: Semi-Supervised Node Classification on Graph with Few Labels via
Non-Parametric Distribution Assignment
- arxiv url: http://arxiv.org/abs/2204.01303v1
- Date: Mon, 4 Apr 2022 08:22:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-05 13:35:12.153012
- Title: GraFN: Semi-Supervised Node Classification on Graph with Few Labels via
Non-Parametric Distribution Assignment
- Title（参考訳）: GraFN:非パラメトリック分布割り当てによるラベルの少ないグラフ上の半監督ノード分類
- Authors: Junseok Lee, Yunhak Oh, Yeonjun In, Namkyeong Lee, Dongmin Hyun,
Chanyoung Park
- Abstract要約: そこで本稿では,グラフに対する新たな半教師付き手法であるGraFNを提案する。
GraFNは、実世界のグラフ上のノード分類の観点から、半教師付きと自己教師付きの両方の手法を超越している。
- 参考スコア（独自算出の注目度）: 5.879936787990759
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: GNNs encounter significant performance degradation when the amount of
supervision signals, i.e., number of labeled nodes, is limited, which is
expected as GNNs are trained solely based on the supervision obtained from the
labeled nodes. On the other hand,recent self-supervised learning paradigm aims
to train GNNs by solving pretext tasks that do not require any labeled nodes,
and it has shown to even outperform GNNs trained with few labeled nodes.
However, a major drawback of self-supervised methods is that they fall short of
learning class discriminative node representations since no labeled information
is utilized during training. To this end, we propose a novel semi-supervised
method for graphs, GraFN, that leverages few labeled nodes to ensure nodes that
belong to the same class to be grouped together, thereby achieving the best of
both worlds of semi-supervised and self-supervised methods. Specifically, GraFN
randomly samples support nodes from labeled nodes and anchor nodes from the
entire graph. Then, it minimizes the difference between two predicted class
distributions that are non-parametrically assigned by anchor-supports
similarity from two differently augmented graphs. We experimentally show that
GraFN surpasses both the semi-supervised and self-supervised methods in terms
of node classification on real-world graphs. The source code for GraFN is
available at https://github.com/LJS-Student/GraFN.
- Abstract（参考訳）: GNNは、ラベル付きノードの数の制限や、ラベル付きノードから取得した監視に基づいてのみ訓練されることが期待できる監視信号の量を制限すると、大幅な性能劣化に直面する。
一方、近年の自己教師型学習パラダイムは、ラベル付きノードを必要としないプレテキストタスクを解くことで、GNNを訓練することを目的としている。
しかし,自己指導手法の大きな欠点は,学習中にラベル付き情報が利用されないため,クラス識別ノード表現の学習不足である。
そこで本研究では,同じクラスに属するノードをグループ化するために,ラベル付きノードをほとんど活用しないグラフの半教師付き手法であるgrafnを提案する。
具体的には、グラフ全体からラベル付きノードとアンカーノードからランダムにノードをサンプリングする。
そして、2つの異なる拡張グラフからのアンカー支持類似性によって非パラメトリックに割り当てられる2つの予測クラス分布の差を最小化する。
実世界のグラフ上のノード分類において,GraFNが半教師付き手法と自己教師型手法の両方を上回ることを示す。
GraFNのソースコードはhttps://github.com/LJS-Student/GraFNで入手できる。
関連論文リスト
- Classifying Nodes in Graphs without GNNs [50.311528896010785]
本稿では,完全GNNフリーなノード分類手法を提案する。
本手法は, 滑らかさ制約, 擬似ラベル反復, 近傍ラベルヒストグラムの3つの主要成分からなる。
論文 参考訳（メタデータ） (2024-02-08T18:59:30Z) - NodeMixup: Tackling Under-Reaching for Graph Neural Networks [27.393295683072406]
グラフニューラルネットワーク(GNN)は,半教師付きノード分類問題の解法として主流となっている。
グラフ内のラベル付きノードの位置分布が不均一であるため、ラベル付きノードはラベルなしノードのごく一部にしかアクセスできないため、アンファンダーリーチングの問題が発生する。
GNNのアンダーリーチングに取り組むために,NodeMixupと呼ばれるアーキテクチャに依存しない手法を提案する。
論文 参考訳（メタデータ） (2023-12-20T13:56:27Z) - 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) - Learning on Graphs with Out-of-Distribution Nodes [33.141867473074264]
グラフニューラルネットワーク(GNN)は、グラフ上で予測タスクを実行するための最先端モデルである。
この研究は、分散ノードによるグラフ学習の問題を定義する。
本稿では,異なるノード間の相互作用を明示的にモデル化する新しいGNNモデルであるOut-of-Distribution Graph Attention Network (OODGAT)を提案する。
論文 参考訳（メタデータ） (2023-08-13T08:10:23Z) - A Variational Edge Partition Model for Supervised Graph Representation
Learning [51.30365677476971]
本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。
それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。
エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-07T14:37:50Z) - Distance-wise Prototypical Graph Neural Network in Node Imbalance
Classification [9.755229198654922]
本研究では,不均衡なグラフデータに対して,距離ワイドなプロトタイプグラフニューラルネットワーク(DPGNN)を提案する。
提案した DPGNN は, ほぼ常に他のベースラインよりも優れており, 不均衡ノード分類におけるその有効性を示している。
論文 参考訳（メタデータ） (2021-10-22T19:43:15Z) - Label Propagation across Graphs: Node Classification using Graph Neural
Tangent Kernels [12.445026956430826]
グラフニューラルネットワーク(GNN)はノード分類タスクにおいて優れたパフォーマンスを実現している。
我々の研究は、ラベル付きグラフのセットがトレーニング用に利用可能であり、ラベルなしのターゲットグラフは完全に分離されている、困難な帰納的設定について検討している。
テストグラフとトレーニンググラフが類似した分布から来るという暗黙の仮定の下で、我々のゴールは、観測されていない接続構造に一般化するラベリング関数を開発することである。
論文 参考訳（メタデータ） (2021-10-07T19:42:35Z) - Label-Consistency based Graph Neural Networks for Semi-supervised Node
Classification [47.753422069515366]
グラフニューラルネットワーク(GNN)は,グラフに基づく半教師付きノード分類において顕著な成功を収めている。
本稿では,GNNにおけるノードの受容領域を拡大するために,ノードペアが接続されていないが同一のラベルを持つラベル一貫性に基づくグラフニューラルネットワーク(LC-GNN)を提案する。
ベンチマークデータセットの実験では、LC-GNNはグラフベースの半教師付きノード分類において従来のGNNよりも優れていた。
論文 参考訳（メタデータ） (2020-07-27T11:17:46Z) - Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。
本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。
このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
論文 参考訳（メタデータ） (2020-02-10T06:43:38Z) - Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。
推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。
4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
論文 参考訳（メタデータ） (2020-01-17T02:52:30Z)
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。