Fugu-MT 論文翻訳(概要): Generic and Trend-aware Curriculum Learning for Relation Extraction in Graph Neural Networks

論文の概要: Generic and Trend-aware Curriculum Learning for Relation Extraction in Graph Neural Networks

arxiv url: http://arxiv.org/abs/2205.08625v1
Date: Tue, 17 May 2022 20:46:02 GMT
ステータス: 処理完了
システム内更新日: 2022-05-19 12:16:56.628989
Title: Generic and Trend-aware Curriculum Learning for Relation Extraction in Graph Neural Networks
Title（参考訳）: グラフニューラルネットワークにおける関係抽出のためのジェネリック・トレンド対応カリキュラム学習
Authors: Nidhi Vakil and Hadi Amiri
Abstract要約: グラフニューラルネットワークのための汎用的・トレンド対応のカリキュラム学習手法を提案する。サンプルレベルの損失傾向を取り入れることで既存のアプローチを拡張し、より難しいサンプルと区別し、トレーニングのためにスケジュールする。
参考スコア（独自算出の注目度）: 12.335698325757491
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: We present a generic and trend-aware curriculum learning approach for graph neural networks. It extends existing approaches by incorporating sample-level loss trends to better discriminate easier from harder samples and schedule them for training. The model effectively integrates textual and structural information for relation extraction in text graphs. Experimental results show that the model provides robust estimations of sample difficulty and shows sizable improvement over the state-of-the-art approaches across several datasets.
Abstract（参考訳）: グラフニューラルネットワークのための汎用的・トレンド対応カリキュラム学習手法を提案する。サンプルレベルの損失傾向を取り入れることで既存のアプローチを拡張し、より難しいサンプルと区別し、トレーニングのためにスケジュールする。本モデルは、テキストグラフにおける関係抽出のためのテキスト情報と構造情報を効果的に統合する。実験結果から,このモデルはサンプル難易度をロバストに推定し,複数のデータセットにまたがる最先端のアプローチよりも相当な改善が得られた。

関連論文リスト

A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。文献の理解を深めるために,提案した分類に基づく既存モデルを体系的に分類した。
論文参考訳（メタデータ） (2024-10-25T02:39:56Z)
CORE: Data Augmentation for Link Prediction via Information Bottleneck [25.044734252779975]
リンク予測(LP)はグラフ表現学習の基本的な課題である。 LPモデルのコンパクトかつ予測的な拡張を学習するための新しいデータ拡張手法であるCOREを提案する。
論文参考訳（メタデータ） (2024-04-17T03:20:42Z)
PAC Learnability under Explanation-Preserving Graph Perturbations [15.83659369727204]
グラフニューラルネットワーク(GNN)はグラフ上で動作し、グラフ構造化データの複雑な関係と依存関係を活用する。グラフ説明は、その分類ラベルに関して入力グラフの「ほぼ」統計量である部分グラフである。本研究は、GNNの設計と訓練において、そのような摂動不変性を利用する2つの方法を検討する。
論文参考訳（メタデータ） (2024-02-07T17:23:15Z)
Globally Interpretable Graph Learning via Distribution Matching [12.885580925389352]
我々は、まだ十分に研究されていない重要な質問に答えることを目指している。グラフ学習手順のグローバルな解釈を提供するには、どうすればよいのか? 我々は,この問題を,学習過程を支配する高レベルかつ人間の知能なパターンを蒸留することを目的とした,グローバルな解釈可能なグラフ学習として定式化する。本稿では,解釈に基づいて学習したモデルの忠実度を評価するために,新しいモデル忠実度尺度を提案する。
論文参考訳（メタデータ） (2023-06-18T00:50:36Z)
Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文参考訳（メタデータ） (2022-05-06T03:37:00Z)
Addressing Bias in Visualization Recommenders by Identifying Trends in Training Data: Improving VizML Through a Statistical Analysis of the Plotly Community Feed [55.41644538483948]
機械学習は、高いスケーラビリティと表現力のために、視覚化レコメンデーションに対する有望なアプローチである。本研究は,統計的解析によりトレーニングデータの傾向を特定することで,機械学習可視化推薦システムにおけるトレーニングバイアスに対処することを目的とする。
論文参考訳（メタデータ） (2022-03-09T18:36:46Z)
Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
グラフ表現と学習を伴う新しい学習パラダイムを提案する。本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
論文参考訳（メタデータ） (2021-10-09T09:02:45Z)
Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文参考訳（メタデータ） (2021-02-27T03:17:20Z)
Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
グラフ組み込み数ショット学習に関する包括的な研究を紹介します。本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
論文参考訳（メタデータ） (2021-02-14T05:28:13Z)
Quantifying Challenges in the Application of Graph Representation Learning [0.0]
私たちは、一般的な埋め込みアプローチのセットに対して、アプリケーション指向の視点を提供します。実世界のグラフ特性に関する表現力を評価する。 GRLアプローチは現実のシナリオでは定義が困難であることが示唆された。
論文参考訳（メタデータ） (2020-06-18T03:19:43Z)
Comparison of Syntactic and Semantic Representations of Programs in Neural Embeddings [1.0878040851638]
プログラム埋め込みのタスクにおいて、異なるグラフ表現を用いてグラフ畳み込みネットワークを比較する。制御フローグラフの空間性やグラフ畳み込みネットワークの暗黙の集約は、これらのモデルがナイーブモデルよりも悪い結果をもたらすことを示している。
論文参考訳（メタデータ） (2020-01-24T21:30:03Z)

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。