論文の概要: ME-GCN: Multi-dimensional Edge-Embedded Graph Convolutional Networks for
Semi-supervised Text Classification
- arxiv url: http://arxiv.org/abs/2204.04618v1
- Date: Sun, 10 Apr 2022 07:05:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-14 10:05:03.969915
- Title: ME-GCN: Multi-dimensional Edge-Embedded Graph Convolutional Networks for
Semi-supervised Text Classification
- Title(参考訳): ME-GCN: 半教師付きテキスト分類のための多次元エッジ埋め込みグラフ畳み込みネットワーク
- Authors: Kunze Wang, Soyeon Caren Han, Siqu Long, Josiah Poon
- Abstract要約: 本稿では,半教師付きテキスト分類のためのME-GCN (Multi-dimensional Edge-enhanced Graph Convolutional Networks)を提案する。
提案モデルでは,8つのベンチマークデータセット間で最先端の手法を著しく上回っている。
- 参考スコア(独自算出の注目度): 6.196387205547024
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Compared to sequential learning models, graph-based neural networks exhibit
excellent ability in capturing global information and have been used for
semi-supervised learning tasks. Most Graph Convolutional Networks are designed
with the single-dimensional edge feature and failed to utilise the rich edge
information about graphs. This paper introduces the ME-GCN (Multi-dimensional
Edge-enhanced Graph Convolutional Networks) for semi-supervised text
classification. A text graph for an entire corpus is firstly constructed to
describe the undirected and multi-dimensional relationship of word-to-word,
document-document, and word-to-document. The graph is initialised with
corpus-trained multi-dimensional word and document node representation, and the
relations are represented according to the distance of those words/documents
nodes. Then, the generated graph is trained with ME-GCN, which considers the
edge features as multi-stream signals, and each stream performs a separate
graph convolutional operation. Our ME-GCN can integrate a rich source of graph
edge information of the entire text corpus. The results have demonstrated that
our proposed model has significantly outperformed the state-of-the-art methods
across eight benchmark datasets.
- Abstract(参考訳): 逐次学習モデルと比較して、グラフベースのニューラルネットワークは、グローバル情報の取り込みに優れた能力を示し、半教師あり学習タスクに使われている。
ほとんどのグラフ畳み込みネットワークは1次元エッジ機能で設計されており、グラフに関する豊富なエッジ情報の利用に失敗した。
本稿では,半教師付きテキスト分類のためのME-GCN (Multi-dimensional Edge-enhanced Graph Convolutional Networks)を提案する。
まず、コーパス全体のテキストグラフを構築し、ワード・ツー・ワード、ドキュメント・ドキュメント、ワード・ツー・ドキュメントの無方向および多次元の関係を記述する。
グラフはコーパス訓練された多次元単語と文書ノード表現で初期化され、それらの単語/文書ノードの距離に応じて関係が表現される。
次に、生成したグラフを、エッジ特徴をマルチストリーム信号とみなすME-GCNでトレーニングし、各ストリームが別々のグラフ畳み込み操作を行う。
ME-GCNはテキストコーパス全体のグラフエッジ情報の豊富なソースを統合することができる。
その結果,提案モデルが8つのベンチマークデータセット間で最先端の手法を著しく上回っていることがわかった。
関連論文リスト
- Graph Neural Networks on Discriminative Graphs of Words [19.817473565906777]
本研究では,単語グラフニューラルネットワーク(DGoW-GNN)によるテキストの識別手法を提案する。
本稿では,GNNとシーケンスモデルを組み合わせたグラフベースのテキスト分類の新しいモデルを提案する。
提案手法を7つのベンチマークデータセットで評価し,いくつかの最先端ベースラインモデルにより性能が向上していることを確認した。
論文 参考訳(メタデータ) (2024-10-27T15:14:06Z) - SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。
まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。
次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
論文 参考訳(メタデータ) (2023-08-03T07:00:04Z) - Word Grounded Graph Convolutional Network [24.6338889954789]
グラフ畳み込みネットワーク(GCN)は、テキスト分類などの様々なタスクにおけるテキスト表現の学習において、高いパフォーマンスを示している。
本稿では,文書非依存グラフを用いて,文書グラフをワードグラフに変換し,データサンプルとGCNモデルを分離することを提案する。
提案したWord-level Graph(WGraph)は、コーパスで一般的に使われている単語共起による単語表現を暗黙的に学習するだけでなく、さらにグローバルなセマンティック依存も含んでいる。
論文 参考訳(メタデータ) (2023-05-10T19:56:55Z) - A Robust Stacking Framework for Training Deep Graph Models with
Multifaceted Node Features [61.92791503017341]
数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。
IID(non-graph)データをGNNに簡単に組み込むことはできない。
本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
論文 参考訳(メタデータ) (2022-06-16T22:46:33Z) - SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。
まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。
次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。
最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
論文 参考訳(メタデータ) (2021-12-12T14:18:18Z) - GraphFormers: GNN-nested Transformers for Representation Learning on
Textual Graph [53.70520466556453]
階層的にGNNコンポーネントを言語モデルのトランスフォーマーブロックと一緒にネストするGraphFormerを提案する。
提案したアーキテクチャでは、テキストエンコーディングとグラフ集約を反復的なワークフローに融合する。
さらに、プログレッシブ・ラーニング・ストラテジーを導入し、そのモデルが操作されたデータと元のデータに基づいて連続的に訓練され、グラフ上の情報を統合する能力を強化する。
論文 参考訳(メタデータ) (2021-05-06T12:20:41Z) - Co-embedding of Nodes and Edges with Graph Neural Networks [13.020745622327894]
グラフ埋め込みは、高次元および非ユークリッド特徴空間でデータ構造を変換しエンコードする方法である。
CensNetは一般的なグラフ埋め込みフレームワークで、ノードとエッジの両方を潜在機能空間に埋め込む。
提案手法は,4つのグラフ学習課題における最先端のパフォーマンスを達成または一致させる。
論文 参考訳(メタデータ) (2020-10-25T22:39:31Z) - GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。
自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。
3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文 参考訳(メタデータ) (2020-06-17T16:18:35Z) - Heterogeneous Graph Neural Networks for Extractive Document
Summarization [101.17980994606836]
クロス文関係は、抽出文書要約における重要なステップである。
We present a graph-based neural network for extractive summarization (HeterSumGraph)
抽出文書要約のためのグラフベースニューラルネットワークに異なる種類のノードを導入する。
論文 参考訳(メタデータ) (2020-04-26T14:38:11Z) - Tensor Graph Convolutional Networks for Text Classification [17.21683037822181]
グラフベースのニューラルネットワークは、グローバル情報をキャプチャする機能など、いくつかの優れた特性を示している。
本稿では,テキスト分類問題に対するグラフベースニューラルネットワークについて検討する。
論文 参考訳(メタデータ) (2020-01-12T14:28:33Z)
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。