論文の概要: GraphTTA: Test Time Adaptation on Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2208.09126v1
• Date: Fri, 19 Aug 2022 02:24:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-22 17:24:38.519160
• Title: GraphTTA: Test Time Adaptation on Graph Neural Networks
• Title（参考訳）: GraphTTA: グラフニューラルネットワークによるテスト時間適応
• Authors: Guanzi Chen, Jiying Zhang, Xi Xiao and Yang Li
• Abstract要約: グラフニューラルネットワーク(GNN)のための新しいテスト時間適応戦略であるグラフ適応擬似グループコントラスト(GAPGC)を提案する。 GAPGCは、TTA中に自己教師型タスクとして、Adversarial Learnable Augmenter と Group Pseudo-Positive Samples を備えた対照的な学習変種を採用している。 我々は,GAPGCが情報理論の観点から主課題に必要な最小限の情報を引き出すことができるという理論的証拠を提供する。
• 参考スコア（独自算出の注目度）: 10.582212966736645
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, test time adaptation (TTA) has attracted increasing attention due to its power of handling the distribution shift issue in the real world. Unlike what has been developed for convolutional neural networks (CNNs) for image data, TTA is less explored for Graph Neural Networks (GNNs). There is still a lack of efficient algorithms tailored for graphs with irregular structures. In this paper, we present a novel test time adaptation strategy named Graph Adversarial Pseudo Group Contrast (GAPGC), for graph neural networks TTA, to better adapt to the Out Of Distribution (OOD) test data. Specifically, GAPGC employs a contrastive learning variant as a self-supervised task during TTA, equipped with Adversarial Learnable Augmenter and Group Pseudo-Positive Samples to enhance the relevance between the self-supervised task and the main task, boosting the performance of the main task. Furthermore, we provide theoretical evidence that GAPGC can extract minimal sufficient information for the main task from information theory perspective. Extensive experiments on molecular scaffold OOD dataset demonstrated that the proposed approach achieves state-of-the-art performance on GNNs.
• Abstract（参考訳）: 近年,テスト時間適応(TTA)は,実世界の分散シフト問題に対処する能力によって注目が集まっている。 画像データのための畳み込みニューラルネットワーク(CNN)のために開発されたものとは異なり、TTAはグラフニューラルネットワーク(GNN)では探索されていない。 いまだに不規則な構造を持つグラフに適した効率的なアルゴリズムがない。 本稿では,グラフニューラルネットワーク TTA のための新しいテスト時間適応戦略である Graph Adversarial Pseudo Group Contrast (GAPGC) を提案する。 特に、gapgcは、tta中の自己教師ありタスクとして、自己教師付きタスクとメインタスクの関連性を高めるために、敵対的学習可能な拡張器とグループ偽陽性サンプルを備えたコントラスト型を採用し、メインタスクのパフォーマンスを高めている。 さらに,情報理論の観点から,GAPGCが主課題に必要最小限の情報を抽出できるという理論的証拠を提供する。 分子足場OODデータセットの大規模な実験により,提案手法がGNNの最先端性能を実現することを示した。

関連論文リスト

• Fair Graph Neural Network with Supervised Contrastive Regularization [12.666235467177131]
  公平性を考慮したグラフニューラルネットワーク(GNN)の学習モデルを提案する。 提案手法は, コントラスト損失と環境損失を統合し, 精度と公正性を両立させる。
  論文  参考訳（メタデータ） (2024-04-09T07:49:05Z)
• Tensor-view Topological Graph Neural Network [16.433092191206534]
  グラフニューラルネットワーク(GNN)は最近、グラフ学習において注目を集めている。 既存のGNNは、各ノード周辺の非常に限られた地区からのローカル情報のみを使用する。 本稿では,単純かつ効果的な深層学習のクラスであるTopological Graph Neural Network (TTG-NN)を提案する。 実データ実験により,提案したTTG-NNは,グラフベンチマークにおいて20の最先端手法より優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:55:01Z)
• GOODAT: Towards Test-time Graph Out-of-Distribution Detection [103.40396427724667]
  グラフニューラルネットワーク(GNN)は、さまざまな領域にわたるグラフデータのモデリングに広く応用されている。 近年の研究では、特定のモデルのトレーニングや、よく訓練されたGNN上でのデータ修正に重点を置いて、OOD検出のグラフを調査している。 本稿では、GNNアーキテクチャのトレーニングデータと修正から独立して動作する、データ中心、教師なし、プラグアンドプレイのソリューションを提案する。
  論文  参考訳（メタデータ） (2024-01-10T08:37:39Z)
• BHGNN-RT: Network embedding for directed heterogeneous graphs [8.7024326813104]
  本稿では,BHGNN-RTを用いた双方向ヘテロジニアスグラフニューラルネットワークの組込み手法を提案する。 BHGNN-RTの有効性と有効性を検証するために, 各種データセットの広範囲な実験を行った。 BHGNN-RTは、ノード分類と教師なしクラスタリングタスクの両方においてベンチマーク手法よりも優れた、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-11-24T10:56:09Z)
• Label Deconvolution for Node Representation Learning on Large-scale Attributed Graphs against Learning Bias [75.44877675117749]
  本稿では,GNNの逆写像に対する新しい,スケーラブルな近似による学習バイアスを軽減するために,ラベルの効率的な正規化手法,すなわちラベルのデコンボリューション(LD)を提案する。 実験では、LDはOpen Graphデータセットのベンチマークで最先端のメソッドを大幅に上回っている。
  論文  参考訳（メタデータ） (2023-09-26T13:09:43Z)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• Learning to Drop: Robust Graph Neural Network via Topological Denoising [50.81722989898142]
  グラフニューラルネットワーク(GNN)のロバスト性および一般化性能を向上させるために,パラメータ化トポロジカルデノイングネットワークであるPTDNetを提案する。 PTDNetは、パラメータ化されたネットワークでスパーシファイドグラフ内のエッジ数をペナル化することで、タスク非関連エッジを創出する。 PTDNetはGNNの性能を著しく向上させ,さらにノイズの多いデータセットでは性能が向上することを示す。
  論文  参考訳（メタデータ） (2020-11-13T18:53:21Z)
• A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
  グラフニューラルネットワーク(GNN)は,グラフ構造化データの学習表現において顕著に普及している。 本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。 UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
  論文  参考訳（メタデータ） (2020-10-05T04:57:18Z)
• GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
  グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。 自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-17T16:18:35Z)

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。