論文の概要: Geometer: Graph Few-Shot Class-Incremental Learning via Prototype
Representation
- arxiv url: http://arxiv.org/abs/2205.13954v1
- Date: Fri, 27 May 2022 13:02:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-30 13:57:08.294266
- Title: Geometer: Graph Few-Shot Class-Incremental Learning via Prototype
Representation
- Title(参考訳): geometer: プロトタイプ表現によるクラスインクリメンタル学習のグラフ
- Authors: Bin Lu, Xiaoying Gan, Lina Yang, Weinan Zhang, Luoyi Fu, Xinbing Wang
- Abstract要約: 既存のグラフニューラルネットワークに基づく手法は主に、豊富なラベリングを持つ固定クラス内の未ラベルノードの分類に重点を置いている。
本稿では,この難易度で実用的なグラフ数ショットクラスインクリメンタルラーニング(GFSCIL)問題に着目し,Geometerと呼ばれる新しい手法を提案する。
完全に接続されたニューラルネットワークのクラスを置き換えて再トレーニングする代わりに、Geometerは、最も近いクラスのプロトタイプを見つけることによって、ノードのラベルを予測する。
- 参考スコア(独自算出の注目度): 50.772432242082914
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: With the tremendous expansion of graphs data, node classification shows its
great importance in many real-world applications. Existing graph neural network
based methods mainly focus on classifying unlabeled nodes within fixed classes
with abundant labeling. However, in many practical scenarios, graph evolves
with emergence of new nodes and edges. Novel classes appear incrementally along
with few labeling due to its newly emergence or lack of exploration. In this
paper, we focus on this challenging but practical graph few-shot
class-incremental learning (GFSCIL) problem and propose a novel method called
Geometer. Instead of replacing and retraining the fully connected neural
network classifer, Geometer predicts the label of a node by finding the nearest
class prototype. Prototype is a vector representing a class in the metric
space. With the pop-up of novel classes, Geometer learns and adjusts the
attention-based prototypes by observing the geometric proximity, uniformity and
separability. Teacher-student knowledge distillation and biased sampling are
further introduced to mitigate catastrophic forgetting and unbalanced labeling
problem respectively. Experimental results on four public datasets demonstrate
that Geometer achieves a substantial improvement of 9.46% to 27.60% over
state-of-the-art methods.
- Abstract(参考訳): グラフデータの膨大な拡張により、ノード分類は多くの実世界のアプリケーションにおいて非常に重要であることを示す。
既存のグラフニューラルネットワークに基づく手法は主に、豊富なラベリングを持つ固定クラス内の未ラベルノードの分類に重点を置いている。
しかし、多くの実践シナリオにおいて、グラフは新しいノードとエッジの出現とともに進化する。
新しいクラスは、新しい出現や探検の欠如により、ラベル付けがほとんどなく、徐々に現れる。
本稿では,この難易度で実用的なグラフ数ショットクラスインクリメンタルラーニング(GFSCIL)問題に着目し,Geometerと呼ばれる新しい手法を提案する。
完全に接続されたニューラルネットワーククラスを置き換えて再トレーニングする代わりに、geometerは最寄りのクラスプロトタイプを見つけることでノードのラベルを予測する。
Prototype は計量空間のクラスを表すベクトルである。
新たなクラスが出現すると、ジオメーターは幾何学的近接性、均一性、分離性を観察して注意に基づくプロトタイプを学習し、調整する。
教師による知識蒸留とバイアスサンプリングは, それぞれ破壊的忘れと不均衡なラベル問題を軽減するために導入された。
4つの公開データセットの実験結果は、Geometerが最先端の手法よりも9.46%から27.60%の大幅な改善を達成したことを示している。
関連論文リスト
- Inductive Graph Few-shot Class Incremental Learning [34.19083477893245]
本稿では,新しいノードを持つ新しいクラスを継続的に学習するインダクティブGFSCILを提案する。
トランスダクティブGFSCILと比較して、インダクティブ設定は、アクセス不能な先行データにより破滅的忘れを悪化させる。
そこで我々はTopology-based class Augmentation and Prototype calibrationと呼ばれる新しい手法を提案する。
論文 参考訳(メタデータ) (2024-11-11T00:06:20Z) - Beyond the Known: Novel Class Discovery for Open-world Graph Learning [16.30962452905747]
我々は,グラフ上の新しいクラス発見に取り組むために,オープンワールドのgRAph neuraLネットワーク(ORAL)を提案する。
ORALは、半教師付きプロトタイプ学習により、クラス間の相関を初めて検出する。
ラベル欠陥を緩和するためのマルチスケールグラフ機能を完全に探索するため、ORALは擬似ラベルを生成する。
論文 参考訳(メタデータ) (2024-03-29T01:25:05Z) - Open-World Semi-Supervised Learning for Node Classification [53.07866559269709]
ノード分類のためのオープンワールド半教師付き学習(Open World SSL)は、グラフコミュニティにおいて実用的だが未探索の課題である。
オープンワールド半教師付きノード分類のためのIM Balance-AwareメソッドOpenIMAを提案する。
論文 参考訳(メタデータ) (2024-03-18T05:12:54Z) - Generation is better than Modification: Combating High Class Homophily Variance in Graph Anomaly Detection [51.11833609431406]
異なるクラス間のホモフィリー分布の差は、ホモフィリックグラフやヘテロフィリックグラフよりも著しく大きい。
我々は、この現象を定量的に記述した、クラスホモフィリーバリアンスと呼ばれる新しい計量を導入する。
その影響を軽減するために,ホモフィリーエッジ生成グラフニューラルネットワーク(HedGe)と呼ばれる新しいGNNモデルを提案する。
論文 参考訳(メタデータ) (2024-03-15T14:26:53Z) - Towards Semi-supervised Universal Graph Classification [6.339931887475018]
半教師付き普遍グラフ分類の問題について検討する。
ラベルの不足と潜在的なクラスシフトのため、この問題は難しい。
サブグラフの観点からラベル付けされていないデータを最大限に活用する新しいグラフニューラルネットワークフレームワークUGNNを提案する。
論文 参考訳(メタデータ) (2023-05-31T06:58:34Z) - Transductive Linear Probing: A Novel Framework for Few-Shot Node
Classification [56.17097897754628]
自己教師付きグラフと対照的な事前学習による帰納的線形探索は、同じプロトコル下での最先端の完全教師付きメタラーニング手法より優れていることを示す。
この研究が、数ショットのノード分類問題に新たな光を当て、グラフ上のわずかにラベル付けされたインスタンスから学ぶことの今後の研究を促進することを願っている。
論文 参考訳(メタデータ) (2022-12-11T21:10:34Z) - Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。
2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。
提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文 参考訳(メタデータ) (2021-12-23T12:17:47Z) - Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。
このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。
本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。
特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文 参考訳(メタデータ) (2020-10-20T05:54:31Z)
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。