論文の概要: AutoGML: Fast Automatic Model Selection for Graph Machine Learning
- arxiv url: http://arxiv.org/abs/2206.09280v1
- Date: Sat, 18 Jun 2022 20:43:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-22 19:10:22.775594
- Title: AutoGML: Fast Automatic Model Selection for Graph Machine Learning
- Title（参考訳）: AutoGML: グラフ機械学習のための高速自動モデル選択
- Authors: Namyong Park, Ryan Rossi, Nesreen Ahmed, Christos Faloutsos
- Abstract要約: 我々はAutoGMLと呼ばれる自動グラフ機械学習のための最初のメタラーニング手法を開発した。
異なる領域からのグラフ間の類似性を捉えるために,特殊メタグラフ機能を導入する。
新しいグラフのメソッドを選択するためにAutoGMLを使うことは、一般的なメソッドを一貫して適用することよりも著しく優れていることを示す。
- 参考スコア（独自算出の注目度）: 17.70842402755857
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Given a graph learning task, such as link prediction, on a new graph dataset,
how can we automatically select the best method as well as its hyperparameters
(collectively called a model)? Model selection for graph learning has been
largely ad hoc. A typical approach has been to apply popular methods to new
datasets, but this is often suboptimal. On the other hand, systematically
comparing models on the new graph quickly becomes too costly, or even
impractical. In this work, we develop the first meta-learning approach for
automatic graph machine learning, called AutoGML, which capitalizes on the
prior performances of a large body of existing methods on benchmark graph
datasets, and carries over this prior experience to automatically select an
effective model to use for the new graph, without any model training or
evaluations. To capture the similarity across graphs from different domains, we
introduce specialized meta-graph features that quantify the structural
characteristics of a graph. Then we design a meta-graph that represents the
relations among models and graphs, and develop a graph meta-learner operating
on the meta-graph, which estimates the relevance of each model to different
graphs. Through extensive experiments, we show that using AutoGML to select a
method for the new graph significantly outperforms consistently applying
popular methods as well as several existing meta-learners, while being
extremely fast at test time.
- Abstract（参考訳）: 新しいグラフデータセット上で、リンク予測などのグラフ学習タスクが与えられた場合、そのハイパーパラメータ(モデルと呼ばれる)だけでなく、最適なメソッドを自動的に選択するにはどうすればよいのか?
グラフ学習のためのモデル選択は、主にアドホックだ。
典型的なアプローチは、新しいデータセットに一般的なメソッドを適用することであるが、これはしばしば準最適である。
一方、新しいグラフで体系的に比較するモデルにはコストがかかりすぎるし、実用的でないこともある。
本研究では,ベンチマークグラフデータセットにおける既存の大規模手法の先行性能を活かしたautogmlと呼ばれる自動グラフ機械学習のための最初のメタラーニング手法を開発し,この先行経験を継承して,モデルトレーニングや評価を必要とせず,新しいグラフに使用する効果的なモデルを自動選択する。
異なる領域のグラフ間の類似性を捉えるために,グラフの構造特性を定量化する特殊なメタグラフ機能を導入する。
次に,モデルとグラフの関係を表すメタグラフを設計し,メタグラフをベースとしたグラフメタラーナを開発し,各モデルと異なるグラフとの関係を推定する。
大規模な実験により,新しいグラフのメソッド選択にAutoGMLを用いることで,テスト時に非常に高速でありながら,一般的なメソッドやいくつかのメタラーナを一貫して適用する性能が著しく向上することを示した。
関連論文リスト
- An Accurate Graph Generative Model with Tunable Features [0.8192907805418583]
本稿では,グラフ特徴の誤りを返送する機構を新たに追加することで,GraphTuneの精度を向上させる手法を提案する。
実世界のグラフデータセットを用いて実験したところ、生成されたグラフの特徴は従来のモデルと比較して正確に調整されていることがわかった。
論文 参考訳（メタデータ） (2023-09-03T12:34:15Z) - Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。
これらのグラフモデルと従来の協調フィルタリングモデルを比較する。
ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
論文 参考訳（メタデータ） (2023-08-01T09:31:44Z) - Similarity-aware Positive Instance Sampling for Graph Contrastive
Pre-training [82.68805025636165]
トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。
私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。
さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
論文 参考訳（メタデータ） (2022-06-23T20:12:51Z) - Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。
提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。
すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
論文 参考訳（メタデータ） (2021-09-01T08:24:02Z) - Weakly-supervised Graph Meta-learning for Few-shot Node Classification [53.36828125138149]
新しいグラフメタ学習フレームワーク - Graph Hallucination Networks (Meta-GHN) を提案する。
新たなロバストネス強化エピソードトレーニングに基づいて、Meta-GHNは、弱いラベル付きデータからクリーンノード表現を幻覚させるメタ学習を行う。
大規模な実験は、既存のグラフメタ学習研究よりもMeta-GHNの方が優れていることを示す。
論文 参考訳（メタデータ） (2021-06-12T22:22:10Z) - Stochastic Iterative Graph Matching [11.128153575173213]
本稿では,グラフマッチング問題に対処する新しいモデルであるIterative Graph MAtchingを提案する。
我々のモデルはグラフ対のマッチングの分布を定義し、モデルが様々な可能なマッチングを探索できるようにする。
我々は、生化学やコンピュータビジョンの応用と同様に、合成グラフデータセットにまたがる広範な実験を行う。
論文 参考訳（メタデータ） (2021-06-04T02:05:35Z) - Meta-Inductive Node Classification across Graphs [6.0471030308057285]
MI-GNNと呼ばれる新しいメタインダクタティブフレームワークを提案し、各グラフにインダクタティブモデルをカスタマイズする。
MI-GNNは誘導モデルを直接学習するものではなく、新しいグラフ上の半監視ノード分類のためのモデルをトレーニングする方法に関する一般的な知識を学ぶ。
5つの実世界のグラフコレクションに関する広範な実験により,提案モデルの有効性が示された。
論文 参考訳（メタデータ） (2021-05-14T09:16:28Z) - A Tunable Model for Graph Generation Using LSTM and Conditional VAE [1.399948157377307]
データからグラフの構造的特徴を学習しながら、特定の特徴をチューニングできる生成モデルを提案する。
モデルによって生成される様々な特徴を持つグラフのデータセットを用いて、我々のモデルが特定の特徴を持つグラフを生成できることを確認する。
論文 参考訳（メタデータ） (2021-04-15T06:47:14Z) - Graph Coding for Model Selection and Anomaly Detection in Gaussian
Graphical Models [2.752817022620644]
ガウス図形モデルにおけるデータ解析のための記述長を拡張する。
本手法は,モデルの複雑さを正確に説明するために普遍的なグラフ符号化法を用いる。
実験により,本手法は一般的に用いられる手法と比較して優れた性能を示すことが示された。
論文 参考訳（メタデータ） (2021-02-04T06:13:52Z) - 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) - Revisiting Graph based Collaborative Filtering: A Linear Residual Graph
Convolutional Network Approach [55.44107800525776]
グラフ畳み込みネットワーク(GCN)は、最先端のグラフベースの表現学習モデルである。
本稿では、GCNベースの協調フィルタリング(CF)ベースのレコメンダシステム(RS)について再検討する。
単純なグラフ畳み込みネットワークの理論と整合して,非線形性を取り除くことで推奨性能が向上することを示す。
本稿では,ユーザ・イテム相互作用モデリングを用いたCF用に特別に設計された残差ネットワーク構造を提案する。
論文 参考訳（メタデータ） (2020-01-28T04:41:25Z)
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。