論文の概要: Task-Adaptive Few-shot Node Classification

• arxiv url: http://arxiv.org/abs/2206.11972v1
• Date: Thu, 23 Jun 2022 20:48:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-28 06:56:28.463591
• Title: Task-Adaptive Few-shot Node Classification
• Title（参考訳）: タスク適応型Few-shotノード分類
• Authors: Song Wang, Kaize Ding, Chuxu Zhang, Chen Chen, Jundong Li
• Abstract要約: 数ショットの学習環境下でのタスク適応型ノード分類フレームワークを提案する。 具体的には,ラベル付きノードが豊富なクラスにメタ知識を蓄積する。 次に、提案したタスク適応モジュールを介して、ラベル付きノードが限定されたクラスにそのような知識を転送する。
• 参考スコア（独自算出の注目度）: 49.79924004684395
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Node classification is of great importance among various graph mining tasks. In practice, real-world graphs generally follow the long-tail distribution, where a large number of classes only consist of limited labeled nodes. Although Graph Neural Networks (GNNs) have achieved significant improvements in node classification, their performance decreases substantially in such a few-shot scenario. The main reason can be attributed to the vast generalization gap between meta-training and meta-test due to the task variance caused by different node/class distributions in meta-tasks (i.e., node-level and class-level variance). Therefore, to effectively alleviate the impact of task variance, we propose a task-adaptive node classification framework under the few-shot learning setting. Specifically, we first accumulate meta-knowledge across classes with abundant labeled nodes. Then we transfer such knowledge to the classes with limited labeled nodes via our proposed task-adaptive modules. In particular, to accommodate the different node/class distributions among meta-tasks, we propose three essential modules to perform \emph{node-level}, \emph{class-level}, and \emph{task-level} adaptations in each meta-task, respectively. In this way, our framework can conduct adaptations to different meta-tasks and thus advance the model generalization performance on meta-test tasks. Extensive experiments on four prevalent node classification datasets demonstrate the superiority of our framework over the state-of-the-art baselines. Our code is provided at https://github.com/SongW-SW/TENT.
• Abstract（参考訳）: ノード分類は様々なグラフマイニングタスクにおいて非常に重要である。 実際、実世界のグラフは一般にロングテール分布に従い、多くのクラスは制限されたラベル付きノードのみで構成される。 グラフニューラルネットワーク(gnns)はノード分類を大幅に改善したが、そのような少数のシナリオでは性能が大幅に低下する。 主な理由は、メタタスクにおける異なるノード/クラス分布(ノードレベルとクラスレベルの分散)に起因するタスクの分散に起因する、メタトレーニングとメタテストの間の大きな一般化ギャップに起因する。 そこで本研究では,タスク分散の影響を効果的に緩和するために,タスク適応型ノード分類フレームワークを提案する。 具体的には,ラベル付きノードが豊富なクラスにメタ知識を蓄積する。 次に,提案するタスク適応モジュールを通じて,制限されたラベル付きノードを持つクラスにその知識を転送する。 特に、メタタスク間の異なるノード/クラス分布に対応するために、各メタタスクにそれぞれ \emph{node-level} と \emph{class-level} と \emph{task-level} を適応させる3つの必須モジュールを提案する。 このようにして、我々のフレームワークは異なるメタタスクに適応し、メタテストタスクにおけるモデル一般化性能を前進させることができる。 4つのノード分類データセットに対する大規模な実験は、我々のフレームワークが最先端のベースラインよりも優れていることを示す。 我々のコードはhttps://github.com/SongW-SW/TENT.comで提供されている。

関連論文リスト

• Meta-GPS++: Enhancing Graph Meta-Learning with Contrastive Learning and Self-Training [22.473322546354414]
  そこで我々はMeta-GPS++と呼ばれる少数ショットノード分類のための新しいフレームワークを提案する。 まず,同好および異好のグラフ上での識別ノード表現を効率よく学習する手法を採用する。 また、ラベルのないノードから貴重な情報を抽出するために自己学習を適用する。
  論文  参考訳（メタデータ） (2024-07-20T03:05:12Z)
• Graph Contrastive Learning Meets Graph Meta Learning: A Unified Method for Few-shot Node Tasks [68.60884768323739]
  Contrastive Few-Shot Node Classification (COLA)を紹介する。 COLAはグラフ拡張を使用して意味的に類似したノードを識別し、ラベル情報を必要としないメタタスクの構築を可能にする。 広範な実験を通じて、我々は設計における各コンポーネントの本質を検証し、COLAが全てのタスクにおいて新しい最先端を達成することを実証する。
  論文  参考訳（メタデータ） (2023-09-19T07:24:10Z)
• KMF: Knowledge-Aware Multi-Faceted Representation Learning for Zero-Shot Node Classification [75.95647590619929]
  Zero-Shot Node Classification (ZNC)は、グラフデータ分析において、新しく重要なタスクである。 ラベルセマンティクスの豊かさを向上する知識認識型多面的フレームワーク(KMF)を提案する。 ノード情報集約によるプロトタイプドリフトの問題を軽減するために,新しい幾何学的制約を開発した。
  論文  参考訳（メタデータ） (2023-08-15T02:38:08Z)
• Contrastive Meta-Learning for Few-shot Node Classification [54.36506013228169]
  少ないショットノード分類は、限定されたラベル付きノードのみを参照としてグラフ上のノードのラベルを予測することを目的としている。 グラフ上にCOSMICという新しい対照的なメタラーニングフレームワークを2つの重要な設計で作成する。
  論文  参考訳（メタデータ） (2023-06-27T02:22:45Z)
• Task-Equivariant Graph Few-shot Learning [7.78018583713337]
  グラフニューラルネットワーク(GNN)は、少数ショットノード分類として知られる、限られた数のラベル付きノードでノードを分類できることが重要である。 本稿では,新しいアプローチであるタスク・平等グラフ数ショット学習(TEG)フレームワークを提案する。 我々のTEGフレームワークは、限られた数のトレーニングメタタスクを使用して、移行可能なタスク適応戦略を学習することを可能にする。
  論文  参考訳（メタデータ） (2023-05-30T05:47:28Z)
• Few-shot Node Classification with Extremely Weak Supervision [39.54361983108562]
  少ないショットノード分類は、ラベル付きノードを参照として限定したノードを分類することを目的としている。 最近の数発のノード分類法は、多くのラベル付きノードを持つクラスから学習するのが一般的である。 通常、多くのクラスに対して豊富なラベル付きノードを得ることは困難である。
  論文  参考訳（メタデータ） (2023-01-06T20:40:32Z)
• Graph Few-shot Learning with Task-specific Structures [38.52226241144403]
  既存のグラフ数ショット学習手法は一般的にグラフニューラルネットワーク(GNN)を利用する メタタスクごとにタスク固有の構造を学習する新しいフレームワークを提案する。 このようにして、各メタタスクに適したタスク固有の構造を持つノード表現を学習することができる。
  論文  参考訳（メタデータ） (2022-10-21T17:40:21Z)
• Association Graph Learning for Multi-Task Classification with Category Shifts [68.58829338426712]
  関連する分類タスクが同じラベル空間を共有し、同時に学習されるマルチタスク分類に焦点を当てる。 我々は、不足クラスのためのタスク間で知識を伝達する関連グラフを学習する。 我々の手法は代表的基準よりも一貫して性能が良い。
  論文  参考訳（メタデータ） (2022-10-10T12:37:41Z)
• Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
  グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。 GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
  論文  参考訳（メタデータ） (2020-06-23T04:13:23Z)

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。