論文の概要: Robust Node Classification on Graphs: Jointly from Bayesian Label
Transition and Topology-based Label Propagation
- arxiv url: http://arxiv.org/abs/2208.09779v1
- Date: Sun, 21 Aug 2022 01:56:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-23 13:47:03.406131
- Title: Robust Node Classification on Graphs: Jointly from Bayesian Label
Transition and Topology-based Label Propagation
- Title（参考訳）: グラフ上のロバストノード分類:ベイジアンラベル遷移とトポロジーに基づくラベル伝播の連成
- Authors: Jun Zhuang, Mohammad Al Hasan
- Abstract要約: 近年、GNNに基づくノード分類の性能は、トポロジ的摂動により著しく低下する可能性があるという証拠が浮上している。
ベイジアンラベル遷移とトポロジに基づくラベル伝搬を統合した新しいラベル推論モデル LInDT を提案する。
5つのグラフデータセットの実験は、GNNに基づくノード分類において、位相摂動の3つのシナリオの下でLInDTの優位性を示す。
- 参考スコア（独自算出の注目度）: 5.037076816350975
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Node classification using Graph Neural Networks (GNNs) has been widely
applied in various real-world scenarios. However, in recent years, compelling
evidence emerges that the performance of GNN-based node classification may
deteriorate substantially by topological perturbation, such as random
connections or adversarial attacks. Various solutions, such as topological
denoising methods and mechanism design methods, have been proposed to develop
robust GNN-based node classifiers but none of these works can fully address the
problems related to topological perturbations. Recently, the Bayesian label
transition model is proposed to tackle this issue but its slow convergence may
lead to inferior performance. In this work, we propose a new label inference
model, namely LInDT, which integrates both Bayesian label transition and
topology-based label propagation for improving the robustness of GNNs against
topological perturbations. LInDT is superior to existing label transition
methods as it improves the label prediction of uncertain nodes by utilizing
neighborhood-based label propagation leading to better convergence of label
inference. Besides, LIndT adopts asymmetric Dirichlet distribution as a prior,
which also helps it to improve label inference. Extensive experiments on five
graph datasets demonstrate the superiority of LInDT for GNN-based node
classification under three scenarios of topological perturbations.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)を用いたノード分類は、様々な実世界のシナリオで広く適用されている。
しかし近年,gnnに基づくノード分類の性能は,ランダム接続や逆攻撃といったトポロジカルな摂動によって著しく低下する可能性が指摘されている。
トポロジカル・デノベーション法や機構設計法といった様々なソリューションは、堅牢なGNNベースのノード分類器を開発するために提案されているが、これらの研究は、トポロジ的摂動に関わる問題を完全に解決することはできない。
近年,この問題に対処するためにベイズラベル遷移モデルが提案されているが,その収束が遅いと性能が低下する可能性がある。
本研究では,GNNのトポロジ的摂動に対する堅牢性を改善するため,ベイズラベル遷移とトポロジに基づくラベル伝搬を統合した新しいラベル推論モデル LInDT を提案する。
LInDTは、近傍のラベル伝搬を利用して不確実なノードのラベル予測を改善することで、ラベル推測の収束を改善するため、既存のラベル遷移法よりも優れている。
さらに、LIndTは前者として非対称なディリクレ分布を採用しており、ラベル推論の改善にも役立っている。
5つのグラフデータセットに対する大規模な実験により、GNNに基づくノード分類におけるLInDTの優位性を示す。
関連論文リスト
- Enhancing the Resilience of Graph Neural Networks to Topological Perturbations in Sparse Graphs [9.437128738619563]
本稿では,トポロジ駆動ラベル伝搬,ベイズラベル遷移,ランダムウォークによるリンク解析を組み合わせた新しいラベル推論フレームワークTraTopoを提案する。
TraTopoは、ランダムウォークサンプリング(特にリンク予測のために孤立ノードをターゲットとする)を活用することで、スパースグラフの先駆者を大幅に上回っている。
経験的評価では、ノード分類におけるTraTopoの優位性が強調され、現在のGCNモデルよりも精度が高い。
論文 参考訳（メタデータ） (2024-06-05T09:40:08Z) - 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) - Pseudo Contrastive Learning for Graph-based Semi-supervised Learning [67.37572762925836]
Pseudo Labelingは、グラフニューラルネットワーク(GNN)の性能向上に使用されるテクニックである。
我々はPseudo Contrastive Learning(PCL)と呼ばれるGNNのための一般的なフレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-19T10:34:08Z) - NRGNN: Learning a Label Noise-Resistant Graph Neural Network on Sparsely
and Noisily Labeled Graphs [20.470934944907608]
グラフニューラルネットワーク(GNN)は,ノード分類などのグラフ上の半教師付き学習タスクに対して,有望な結果を得た。
多くの実世界のグラフはスパースでノイズの多いラベルが付けられており、GNNの性能を著しく低下させる可能性がある。
半教師付きノード分類のためのラベルノイズ耐性GNNを提案する。
論文 参考訳（メタデータ） (2021-06-08T22:12:44Z) - 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) - Delving Deep into Label Smoothing [112.24527926373084]
ディープニューラルネットワーク(DNN)の効果的な正規化ツールとしてのラベル平滑化
対象カテゴリのモデル予測の統計に基づいてソフトラベルを生成するオンラインラベル平滑化(OLS)戦略を提案する。
論文 参考訳（メタデータ） (2020-11-25T08:03:11Z) - 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) - Unifying Graph Convolutional Neural Networks and Label Propagation [73.82013612939507]
LPAとGCNの関係を特徴・ラベルの平滑化と特徴・ラベルの影響の2点の観点から検討した。
理論解析に基づいて,ノード分類のためのGCNとLCAを統一するエンドツーエンドモデルを提案する。
我々のモデルは、既存の特徴に基づく注目モデルよりもタスク指向のノードラベルに基づく学習注意重みと見なすこともできる。
論文 参考訳（メタデータ） (2020-02-17T03:23:13Z)
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。