論文の概要: A Safe Semi-supervised Graph Convolution Network

• arxiv url: http://arxiv.org/abs/2207.01960v1
• Date: Tue, 5 Jul 2022 11:03:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-06 13:53:50.830222
• Title: A Safe Semi-supervised Graph Convolution Network
• Title（参考訳）: 安全な半教師付きグラフ畳み込みネットワーク
• Authors: Zhi Yang, Yadong Yan, Haitao Gan, Jing Zhao, Zhiwei Ye
• Abstract要約: 学習性能を向上させるため,セーフGCNフレームワーク(Safe-GCN)を提案する。 Safe-GCNでは、GCNとその教師付きバージョン(S-GCN)が学習され、ラベルのないデータを高い信頼性で見つける。 ラベルなしデータとラベル付きデータの両方がS-GCNのトレーニングに使用され、ラベルなしデータの安全な探索が可能になる。
• 参考スコア（独自算出の注目度）: 10.24176760374571
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the semi-supervised learning field, Graph Convolution Network (GCN), as a variant model of GNN, has achieved promising results for non-Euclidean data by introducing convolution into GNN. However, GCN and its variant models fail to safely use the information of risk unlabeled data, which will degrade the performance of semi-supervised learning. Therefore, we propose a Safe GCN framework (Safe-GCN) to improve the learning performance. In the Safe-GCN, we design an iterative process to label the unlabeled data. In each iteration, a GCN and its supervised version(S-GCN) are learned to find the unlabeled data with high confidence. The high-confidence unlabeled data and their pseudo labels are then added to the label set. Finally, both added unlabeled data and labeled ones are used to train a S-GCN which can achieve the safe exploration of the risk unlabeled data and enable safe use of large numbers of unlabeled data. The performance of Safe-GCN is evaluated on three well-known citation network datasets and the obtained results demonstrate the effectiveness of the proposed framework over several graph-based semi-supervised learning methods.
• Abstract（参考訳）: 半教師付き学習分野において、GNNの変種モデルであるGraph Convolution Network(GCN)は、GNNに畳み込みを導入することで、非ユークリッドデータに対して有望な結果を得た。 しかし、gcnとその変種モデルは、半教師なし学習の性能を低下させるリスクのないデータに関する情報を安全に使用できない。 そこで本研究では,学習性能向上のためのセーフGCNフレームワーク(Safe-GCN)を提案する。 safe-gcnでは、ラベルのないデータをラベル付けする反復プロセスを設計します。 各イテレーションにおいて、GCNとその教師付きバージョン(S-GCN)が学習され、ラベルのないデータを高い信頼性で見つける。 信頼度の高いラベルなしデータとその擬似ラベルはラベルセットに追加される。 最後に、ラベルなしデータとラベル付きデータを加えてS-GCNを訓練し、ラベルなしデータの安全な探索と多数のラベルなしデータの安全な使用を可能にする。 Safe-GCNの性能を3つのよく知られた引用ネットワークデータセットで評価し,提案手法の有効性をグラフベース半教師付き学習法で検証した。

関連論文リスト

• Training a Label-Noise-Resistant GNN with Reduced Complexity [19.032199712090485]
  グラフニューラルネットワーク(GNN)は、グラフ上の半教師付きノード分類タスクに広く利用されている。 GNNの性能はラベルノイズに大きく影響され、誤ラベル付きノードの数が少なければ、モデルトレーニングを著しく間違える可能性がある。 本稿では,ラベルノイズに対する堅牢なGNN学習のための低次複雑化手法であるラベルアンサンブルグラフニューラルネットワーク(LEGNN)を提案する。
  論文  参考訳（メタデータ） (2024-11-17T09:52:20Z)
• ProtoCon: Pseudo-label Refinement via Online Clustering and Prototypical Consistency for Efficient Semi-supervised Learning [60.57998388590556]
  ProtoConは信頼性に基づく疑似ラベル作成の新しい手法である。 ProtoConのオンライン版では、データセット全体のラベル履歴を1回のトレーニングサイクルで活用することができる。 最先端のデータセットよりも大幅に向上し、より高速に収束する。
  論文  参考訳（メタデータ） (2023-03-22T23:51:54Z)
• Every Node Counts: Improving the Training of Graph Neural Networks on Node Classification [9.539495585692007]
  ノード分類のためのGNNのトレーニングのための新しい目的語を提案する。 我々の第一項は、ノードとラベルの特徴間の相互情報を最大化することを目的としている。 第2項は予測写像における異方的滑らか性を促進する。
  論文  参考訳（メタデータ） (2022-11-29T23:25:14Z)
• Boosting Semi-Supervised Face Recognition with Noise Robustness [54.342992887966616]
  本稿では,自動ラベルによるラベル雑音に対して頑健な半教師付き顔認識に対する効果的な解法を提案する。 そこで我々は,gnが強化するロバストな学習能力に基づく,ノイズロバスト学習ラベリング(nroll)という,半教師付き顔認識ソリューションを開発した。
  論文  参考訳（メタデータ） (2021-05-10T14:43:11Z)
• Label-GCN: An Effective Method for Adding Label Propagation to Graph Convolutional Networks [1.8352113484137624]
  グラフ畳み込みネットワーク(GCN)の第1層の変更は、近隣ノード間でラベル情報を効果的に伝播するために利用できることを示す。 これは、GCNのトレーニングフェーズ中にラベル機能のためのセルフループを選択的に除去する。 推論フェーズ中に利用可能なラベルの数に応じて、この戦略がモデルパフォーマンスの大幅な改善につながる可能性があるいくつかの実験を通して示します。
  論文  参考訳（メタデータ） (2021-04-05T21:02:48Z)
• Cyclic Label Propagation for Graph Semi-supervised Learning [52.102251202186025]
  本稿では,CycPropと呼ばれるグラフ半教師付き学習のための新しいフレームワークを提案する。 CycPropはGNNを周期的かつ相互に強化された方法でラベル伝播の過程に統合する。 特に,提案するCycPropでは,GNNモジュールが学習したノード埋め込みをラベル伝搬による拡張情報で更新する。
  論文  参考訳（メタデータ） (2020-11-24T02:55:40Z)
• On the Equivalence of Decoupled Graph Convolution Network and Label Propagation [60.34028546202372]
  いくつかの研究は、カップリングがデカップリングよりも劣っていることを示している。 有効性にもかかわらず、疎結合GCNの作用機構はよく理解されていない。 本稿では,分離GCNの欠陥を克服する適応的学習法(PTA)を提案する。
  論文  参考訳（メタデータ） (2020-10-23T13:57:39Z)
• Investigating and Mitigating Degree-Related Biases in Graph Convolutional Networks [62.8504260693664]
  グラフ畳み込みネットワーク(GCN)は、グラフ上の半教師付き学習タスクに対して有望な結果を示す。 本稿では,ノード次数分布に関するGCNを解析する。 本稿では,GCNの次数バイアスを緩和する自己監督型DegreeSpecific GCN(SL-DSGC)を開発した。
  論文  参考訳（メタデータ） (2020-06-28T16:26:47Z)
• AN-GCN: An Anonymous Graph Convolutional Network Defense Against Edge-Perturbing Attack [53.06334363586119]
  近年の研究では、エッジ摂動攻撃に対するグラフ畳み込みネットワーク(GCN)の脆弱性が明らかにされている。 まず、エッジ摂動攻撃の定式化を一般化し、ノード分類タスクにおけるこのような攻撃に対するGCNの脆弱性を厳密に証明する。 これに続いて、匿名グラフ畳み込みネットワークAN-GCNがエッジ摂動攻撃に対抗するために提案されている。
  論文  参考訳（メタデータ） (2020-05-06T08:15:24Z)
• Effective Stabilized Self-Training on Few-Labeled Graph Data [25.09247229533235]
  グラフニューラルネットワーク(GNN)は、ノードのサブセットだけがクラスラベルを持つグラフ上の半教師付きノード分類のために設計されている。 既存のGNNは、ラベルの少ないグラフ上で不安定なトレーニングプロセスに悩まされており、ノード分類では性能が劣る。 本稿では,ラベル付きデータの不足に対処するため,既存のGNNに適用可能なSST(Stabilized Self-Training)を提案する。
  論文  参考訳（メタデータ） (2019-10-07T09:21:49Z)

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。