論文の概要: MetaGL: Evaluation-Free Selection of Graph Learning Models via
Meta-Learning
- arxiv url: http://arxiv.org/abs/2206.09280v3
- Date: Thu, 8 Jun 2023 23:11:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-12 18:24:44.177139
- Title: MetaGL: Evaluation-Free Selection of Graph Learning Models via
Meta-Learning
- Title（参考訳）: MetaGL:メタラーニングによるグラフ学習モデルの評価自由選択
- Authors: Namyong Park, Ryan Rossi, Nesreen Ahmed, Christos Faloutsos
- Abstract要約: 評価自由グラフ学習モデル選択のためのメタ学習手法MetaGLを開発した。
様々なグラフにまたがる類似性を定量化するために,特殊メタグラフ機能を導入する。
そして、グラフとモデル間の関係を表すG-Mネットワークを設計し、グラフベースのメタラーナーを開発する。
- 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, how can
we select the best method as well as its hyperparameters (collectively called a
model) without having to train or evaluate any model on the new graph? 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 evaluation-free graph learning model selection,
called MetaGL, which utilizes the prior performances of existing methods on
various benchmark graph datasets to automatically select an effective model for
the new graph, without any model training or evaluations. To quantify
similarities across a wide variety of graphs, we introduce specialized
meta-graph features that capture the structural characteristics of a graph.
Then we design G-M network, which represents the relations among graphs and
models, and develop a graph-based meta-learner operating on this G-M network,
which estimates the relevance of each model to different graphs. Extensive
experiments show that using MetaGL to select a model for the new graph greatly
outperforms several existing meta-learning techniques tailored for graph
learning model selection (up to 47% better), while being extremely fast at test
time (~1 sec).
- Abstract（参考訳）: 新しいグラフ上でリンク予測のようなグラフ学習タスクが与えられたら、新しいグラフ上でモデルをトレーニングしたり評価したりすることなく、最適なメソッドとハイパーパラメータ(まとめてモデルと呼ぶ)をどうやって選択できるでしょうか?
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,評価自由グラフ学習モデル選択のためのメタラーニング手法であるMetaGLを開発し,様々なベンチマークグラフデータセット上の既存手法の性能を利用して,モデルトレーニングや評価を行わずに,新しいグラフに対して有効なモデルを自動的に選択する。
様々なグラフの類似性を定量化するために,グラフの構造的特徴を捉える特殊なメタグラフ特徴を導入する。
次に、グラフとモデルの関係を表すg-mネットワークを設計し、このg-mネットワークで動作するグラフベースのメタリーナーを開発し、各モデルと異なるグラフとの関係を推定する。
大規模な実験によると、MetaGLを使って新しいグラフのモデルを選択すると、グラフ学習モデル選択に適したいくつかの既存のメタ学習技術(最大47%改善)よりもはるかに高速(約1秒)である。
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。