論文の概要: Propagation with Adaptive Mask then Training for Node Classification on
Attributed Networks
- arxiv url: http://arxiv.org/abs/2206.10142v2
- Date: Thu, 23 Jun 2022 05:18:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-24 10:50:09.462426
- Title: Propagation with Adaptive Mask then Training for Node Classification on
Attributed Networks
- Title(参考訳): 適応マスクによる分散ネットワーク上のノード分類学習
- Authors: Jinsong Chen, Boyu Li, Qiuting He, Kun He
- Abstract要約: 属性ネットワーク上のノード分類は、ネットワーク分析に不可欠な半教師付きタスクである。
本稿では,適応マスクを用いたイットシェープ伝搬法(PAMT)を提案する。
キーとなる考え方は、属性類似性マスクを構造対応の伝搬プロセスに統合することである。
このようにして、PAMTは伝搬中の隣接ノードの属性の相関を保ち、構造ノイズの影響を効果的に低減できる。
- 参考スコア(独自算出の注目度): 10.732648536892377
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Node classification on attributed networks is a semi-supervised task that is
crucial for network analysis. By decoupling two critical operations in Graph
Convolutional Networks (GCNs), namely feature transformation and neighborhood
aggregation, some recent works of decoupled GCNs could support the information
to propagate deeper and achieve advanced performance. However, they follow the
traditional structure-aware propagation strategy of GCNs, making it hard to
capture the attribute correlation of nodes and sensitive to the structure noise
described by edges whose two endpoints belong to different categories. To
address these issues, we propose a new method called the itshape Propagation
with Adaptive Mask then Training (PAMT). The key idea is to integrate the
attribute similarity mask into the structure-aware propagation process. In this
way, PAMT could preserve the attribute correlation of adjacent nodes during the
propagation and effectively reduce the influence of structure noise. Moreover,
we develop an iterative refinement mechanism to update the similarity mask
during the training process for improving the training performance. Extensive
experiments on four real-world datasets demonstrate the superior performance
and robustness of PAMT.
- Abstract(参考訳): 属性ネットワーク上のノード分類は、ネットワーク分析に不可欠な半教師付きタスクである。
グラフ畳み込みネットワーク(GCN)における2つの重要な操作、すなわち特徴変換と近傍集約を分離することにより、分離されたGCNの最近の研究は、より深く伝播し、高度なパフォーマンスを達成するための情報を支援することができる。
しかし、gcnsの伝統的な構造認識伝播戦略に従い、ノードの属性相関を捉えることは難しく、2つのエンドポイントが異なるカテゴリに属するエッジによって記述される構造ノイズに敏感である。
そこで本研究では,適応マスクによるitshape propagation with adaptive mask then training (pamt) という手法を提案する。
重要なアイデアは、属性類似性マスクを構造認識伝播プロセスに統合することです。
このようにして、PAMTは伝搬中の隣接ノードの属性相関を保ち、構造ノイズの影響を効果的に低減できる。
さらに,トレーニングプロセス中に類似性マスクを更新し,トレーニング性能を向上させるための反復改良機構を開発する。
4つの実世界のデータセットに対する大規模な実験は、PAMTの優れた性能と堅牢性を示している。
関連論文リスト
- AdaRC: Mitigating Graph Structure Shifts during Test-Time [66.40525136929398]
テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。
AdaRCは,グラフの構造シフトに効果的かつ効率的な適応を意図した,革新的なフレームワークである。
論文 参考訳(メタデータ) (2024-10-09T15:15:40Z) - CMFDFormer: Transformer-based Copy-Move Forgery Detection with Continual
Learning [52.72888626663642]
コピーモーブ偽造検出は、疑わしい偽画像中の重複領域を検出することを目的としている。
深層学習に基づく複写偽造検出手法が最上位にある。
CMFDFormer という名称の Transformer-style copy-move forgery ネットワークを提案する。
また、CMFDFormerが新しいタスクを処理できるように、新しいPCSD連続学習フレームワークを提供する。
論文 参考訳(メタデータ) (2023-11-22T09:27:46Z) - Domain-adaptive Message Passing Graph Neural Network [67.35534058138387]
クロスネットワークノード分類(CNNC)は、豊富なラベルを持つソースネットワークから知識を転送することで、ラベル不足のターゲットネットワーク内のノードを分類することを目的としている。
本稿では,グラフニューラルネットワーク(GNN)と条件付き対向ドメイン適応を統合したドメイン適応型メッセージパッシンググラフニューラルネットワーク(DM-GNN)を提案する。
論文 参考訳(メタデータ) (2023-08-31T05:26:08Z) - Interpolation-based Correlation Reduction Network for Semi-Supervised
Graph Learning [49.94816548023729]
補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。
提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。
この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
論文 参考訳(メタデータ) (2022-06-06T14:26:34Z) - supervised adptive threshold network for instance segmentation [4.347876036795798]
適応しきい値に基づくマスクR-CNN法
層状適応ネットワーク構造
アダプティブ・フィーチャー・プール
ベンチマークデータセットの実験から,提案モデルの有効性が示唆された。
論文 参考訳(メタデータ) (2021-06-07T09:25:44Z) - Learning to Relate Depth and Semantics for Unsupervised Domain
Adaptation [87.1188556802942]
教師なしドメイン適応(UDA)設定において,視覚的タスク関係を符号化してモデル性能を向上させる手法を提案する。
本稿では,意味的および深さ的予測のタスク依存性を符号化する新しいクロスタスク関係層(ctrl)を提案する。
さらに、セマンティック擬似ラベルを利用してターゲットドメインを監督する反復自己学習(ISL)トレーニングスキームを提案する。
論文 参考訳(メタデータ) (2021-05-17T13:42:09Z) - Variational Co-embedding Learning for Attributed Network Clustering [30.7006907516984]
属性ネットワーククラスタリングの最近の研究は、グラフ畳み込みを利用してノード埋め込みを取得し、同時に埋め込み空間上でクラスタリング割り当てを行う。
属性ネットワーククラスタリング(ANC)のための分散共埋め込み学習モデルを提案する。
ANCは、ノードと属性を同時に埋め込む2つの変分自動エンコーダで構成されている。
論文 参考訳(メタデータ) (2021-04-15T08:11:47Z) - Faster Convergence in Deep-Predictive-Coding Networks to Learn Deeper
Representations [12.716429755564821]
DPCN(Deep-Predictive-Coding Network)は、フィードフォワードとフィードバック接続に依存する階層的な生成モデルである。
DPCNの重要な要素は、動的モデルのスパース状態を明らかにする前向きの推論手順である。
我々は,加速近位勾配に基づく実験的および理論的収束性の向上した最適化戦略を提案する。
論文 参考訳(メタデータ) (2021-01-18T02:30:13Z) - Unifying Homophily and Heterophily Network Transformation via Motifs [20.45207959265955]
高階近接(HOP)は、ほとんどのネットワーク埋め込み方法の基本です。
H2NT(homophily and heterophliy Protection Network Transformation)を提案し,ホモフィとヘテロフィアを柔軟に統一するHOPを捕捉する。
H2NTは、後者のメソッドを変更することなく、既存のネットワーク埋め込みメソッドと統合するためのエンハンサーとして使用できます。
論文 参考訳(メタデータ) (2020-12-21T15:03:18Z) - Self-Challenging Improves Cross-Domain Generalization [81.99554996975372]
畳み込みニューラルネットワーク(CNN)は、ラベルと相関する支配的特徴を活性化することにより、画像分類を行う。
ドメイン外データに対するCNNの一般化を著しく改善する簡単なトレーニングである自己整合表現(RSC)を導入する。
RSCはトレーニングデータ上で活性化される主要な機能に対して反復的に挑戦し、ラベルと相関する残りの機能を有効にするようネットワークに強制する。
論文 参考訳(メタデータ) (2020-07-05T21:42:26Z)
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。