論文の概要: Semi-Supervised Hierarchical Graph Classification

• arxiv url: http://arxiv.org/abs/2206.05416v1
• Date: Sat, 11 Jun 2022 04:05:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-14 14:19:50.272769
• Title: Semi-Supervised Hierarchical Graph Classification
• Title（参考訳）: 半教師付き階層グラフ分類
• Authors: Jia Li, Yongfeng Huang, Heng Chang, Yu Rong
• Abstract要約: ノードがグラフのインスタンスである階層グラフにおけるノード分類問題について検討する。 本稿では階層グラフ相互情報(HGMI)を提案し,理論的保証をもってHGMIを計算する方法を提案する。 本稿では,この階層グラフモデリングとSEAL-CI法がテキストおよびソーシャルネットワークデータに与える影響を実証する。
• 参考スコア（独自算出の注目度）: 54.25165160435073
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Node classification and graph classification are two graph learning problems that predict the class label of a node and the class label of a graph respectively. A node of a graph usually represents a real-world entity, e.g., a user in a social network, or a document in a document citation network. In this work, we consider a more challenging but practically useful setting, in which a node itself is a graph instance. This leads to a hierarchical graph perspective which arises in many domains such as social network, biological network and document collection. We study the node classification problem in the hierarchical graph where a 'node' is a graph instance. As labels are usually limited, we design a novel semi-supervised solution named SEAL-CI. SEAL-CI adopts an iterative framework that takes turns to update two modules, one working at the graph instance level and the other at the hierarchical graph level. To enforce a consistency among different levels of hierarchical graph, we propose the Hierarchical Graph Mutual Information (HGMI) and further present a way to compute HGMI with theoretical guarantee. We demonstrate the effectiveness of this hierarchical graph modeling and the proposed SEAL-CI method on text and social network data.
• Abstract（参考訳）: ノード分類とグラフ分類は、それぞれノードのクラスラベルとグラフのクラスラベルを予測する2つのグラフ学習問題である。 グラフのノードは通常、現実世界のエンティティ、例えばソーシャルネットワークのユーザ、ドキュメントの引用ネットワークのドキュメントを表す。 本研究では,ノード自体がグラフインスタンスである,より困難だが実用的な設定について検討する。 これは、ソーシャルネットワーク、生物ネットワーク、文書収集など、多くのドメインで発生する階層グラフの観点につながる。 ノード」がグラフインスタンスである階層グラフにおけるノード分類問題について検討する。 ラベルは通常制限されているため、SEAL-CIと呼ばれる新しい半教師付きソリューションを設計する。 seal-ciは2つのモジュールを更新可能な反復フレームワークを採用しており、1つはグラフインスタンスレベルで動作し、もう1つは階層グラフレベルで動作している。 階層グラフ間の整合性を確保するため,階層グラフ相互情報(HGMI)を提案し,理論的保証でHGMIを計算する方法を提案する。 本稿では,この階層グラフモデリングとSEAL-CI法がテキストおよびソーシャルネットワークデータに与える影響を実証する。

関連論文リスト

• Saliency-Aware Regularized Graph Neural Network [39.82009838086267]
  グラフ分類のためのSAR-GNN(Saliency-Aware Regularized Graph Neural Network)を提案する。 まず,コンパクトなグラフ表現とノード特徴とのセマンティックな類似性を測定することで,グローバルノードの正当性を推定する。 そして、学習した塩分濃度分布を利用して、背骨の近傍集合を規則化する。
  論文  参考訳（メタデータ） (2024-01-01T13:44:16Z)
• CGMN: A Contrastive Graph Matching Network for Self-Supervised Graph Similarity Learning [65.1042892570989]
  自己教師付きグラフ類似性学習のためのコントラストグラフマッチングネットワーク(CGMN)を提案する。 我々は,効率的なノード表現学習のために,クロスビューインタラクションとクロスグラフインタラクションという2つの戦略を用いる。 我々はノード表現をグラフ類似性計算のためのプール演算によりグラフレベル表現に変換する。
  論文  参考訳（メタデータ） (2022-05-30T13:20:26Z)
• Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
  本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。 クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
  論文  参考訳（メタデータ） (2021-09-24T08:01:23Z)
• GraphHop: An Enhanced Label Propagation Method for Node Classification [34.073791157290614]
  GraphHopと呼ばれるスケーラブルな半監視ノード分類手法が提案されている。 実験結果は、GraphHopが幅広いタスクで最先端のグラフ学習方法より優れていることを示しています。
  論文  参考訳（メタデータ） (2021-01-07T02:10:20Z)
• 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)
• Robust Hierarchical Graph Classification with Subgraph Attention [18.7475578342125]
  本稿では,グラフに対するサブグラフアテンションの概念を紹介する。 本稿では,SubGattPoolというグラフ分類アルゴリズムを提案する。 SubGattPoolは、最先端のグラフ分類データセットを改善することができるか、あるいは、複数の公開グラフ分類データセットで競争力を維持することができることを示す。
  論文  参考訳（メタデータ） (2020-07-19T10:03:06Z)
• Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
  グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。 本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。 本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
  論文  参考訳（メタデータ） (2020-07-12T12:06:17Z)
• Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
  グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。 標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。 総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-08T19:48:19Z)

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。