論文の概要: Data Augmentation for Graph Data: Recent Advancements
- arxiv url: http://arxiv.org/abs/2208.11973v1
- Date: Thu, 25 Aug 2022 10:01:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-26 13:42:14.518713
- Title: Data Augmentation for Graph Data: Recent Advancements
- Title（参考訳）: グラフデータのためのデータ拡張:最近の進歩
- Authors: Maria Marrium and Arif Mahmood
- Abstract要約: グラフニューラルネットワーク(GNN)ベースの手法は,構造情報を組み込んだグラフデータ処理ツールとして最近人気が高まっている。
GNNのパフォーマンスにおける唯一のハードルは、ラベル付きデータの欠如である。
グラフデータの複雑で非ユークリッド構造のため、画像やテキストデータのデータ拡張技術はグラフデータには使用できない。
- 参考スコア（独自算出の注目度）: 11.509692423756448
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph Neural Network (GNNs) based methods have recently become a popular tool
to deal with graph data because of their ability to incorporate structural
information. The only hurdle in the performance of GNNs is the lack of labeled
data. Data Augmentation techniques for images and text data can not be used for
graph data because of the complex and non-euclidean structure of graph data.
This gap has forced researchers to shift their focus towards the development of
data augmentation techniques for graph data. Most of the proposed Graph Data
Augmentation (GDA) techniques are task-specific. In this paper, we survey the
existing GDA techniques based on different graph tasks. This survey not only
provides a reference to the research community of GDA but also provides the
necessary information to the researchers of other domains.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)ベースの手法は,構造情報を組み込んだグラフデータを扱うツールとして最近人気が高まっている。
GNNのパフォーマンスにおける唯一のハードルは、ラベル付きデータの欠如である。
画像やテキストデータのためのデータ拡張技術は、グラフデータの複雑で非ユークリッド構造のため、グラフデータには使用できない。
このギャップにより、研究者はグラフデータのためのデータ拡張技術の開発に焦点を移さざるを得なくなった。
提案されたグラフデータ拡張(gda)技術のほとんどはタスク固有である。
本稿では,グラフタスクの異なる既存のGDA手法について検討する。
この調査は、gdaの研究コミュニティへの言及だけでなく、他の分野の研究者にも必要な情報を提供するものである。
関連論文リスト
- Graph Domain Adaptation: Challenges, Progress and Prospects [61.9048172631524]
本稿では,グラフ間の効果的な知識伝達パラダイムとしてグラフ領域適応を提案する。
GDAは、ソースグラフとしてタスク関連のグラフを多数導入し、ソースグラフから学習した知識をターゲットグラフに適応させる。
研究状況と課題について概説し、分類学を提案し、代表作の詳細を紹介し、今後の展望について論じる。
論文 参考訳（メタデータ） (2024-02-01T02:44:32Z) - Data Augmentation on Graphs: A Technical Survey [22.15025123705249]
グラフ表現学習は、低品質のデータ問題に悩まされている間、目覚ましい成功を収めた。
データ拡張もグラフ領域で注目を集めている。
この調査は、グラフデータ拡張手法の包括的なレビューと概要を提供する。
論文 参考訳（メタデータ） (2022-12-20T02:51:28Z) - FoSR: First-order spectral rewiring for addressing oversquashing in GNNs [0.0]
グラフニューラルネットワーク(GNN)は、グラフのエッジに沿ってメッセージを渡すことによって、グラフデータの構造を活用することができる。
本稿では,グラフにエッジを体系的に付加することで過疎化を防止する計算効率のよいアルゴリズムを提案する。
提案アルゴリズムは,いくつかのグラフ分類タスクにおいて,既存のグラフリウィリング手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-10-21T07:58:03Z) - Graph Generative Model for Benchmarking Graph Neural Networks [73.11514658000547]
本稿では,プライバシ制御により実世界のグラフの分布を学習し,再現する新しいグラフ生成モデルを提案する。
我々のモデルは、GNNモデルのベンチマークに効果的に使用できる大規模な実世界のグラフの、プライバシ制御された合成代用をうまく生成することができる。
論文 参考訳（メタデータ） (2022-07-10T06:42:02Z) - Measuring and Improving the Use of Graph Information in Graph Neural
Networks [38.41049128525036]
グラフニューラルネットワーク(GNN)は,グラフデータの表現学習に広く利用されている。
本稿では,グラフデータから得られる情報の量と質を測定するための2つのスムーズネス指標を提案する。
CS-GNNと呼ばれる新しいGNNモデルは、グラフの滑らかさ値に基づいてグラフ情報の利用を改善するように設計されている。
論文 参考訳（メタデータ） (2022-06-27T10:27:28Z) - Graph-level Neural Networks: Current Progress and Future Directions [61.08696673768116]
グラフレベルのニューラルネットワーク(GLNN、ディープラーニングベースのグラフレベルの学習法)は、高次元データのモデリングにおいて優れているため、魅力的である。
本稿では,深層ニューラルネットワーク,グラフニューラルネットワーク,グラフプール上でのGLNNを網羅する系統分類法を提案する。
論文 参考訳（メタデータ） (2022-05-31T06:16:55Z) - 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) - Data Augmentation for Deep Graph Learning: A Survey [66.04015540536027]
まず,グラフデータ拡張のための分類法を提案し,その拡張情報モダリティに基づいて関連研究を分類し,構造化されたレビューを提供する。
DGLにおける2つの課題(すなわち、最適グラフ学習と低リソースグラフ学習)に焦点を当て、グラフデータ拡張に基づく既存の学習パラダイムについて議論し、レビューする。
論文 参考訳（メタデータ） (2022-02-16T18:30:33Z) - Source Free Unsupervised Graph Domain Adaptation [60.901775859601685]
Unsupervised Graph Domain Adaptation (UGDA) はノード分類のラベル付けコストを削減するための実用的価値を示している。
既存のUGDAメソッドの多くは、ソースドメインのラベル付きグラフに大きく依存している。
現実のシナリオでは、ソースグラフはプライバシーの問題のためにアクセスできない。
我々は、Source Free Unsupervised Graph Domain Adaptation (SFUGDA) という新しいシナリオを提案する。
論文 参考訳（メタデータ） (2021-12-02T03:18:18Z) - Incomplete Graph Representation and Learning via Partial Graph Neural
Networks [7.227805463462352]
多くのアプリケーションでは、グラフノードの属性が部分的に未知/欠落している不完全な形式でグラフがやってくる可能性がある。
既存のGNNは、属性不完全なグラフデータを直接処理できない完全なグラフに基づいて設計されている。
本研究では,属性不完全グラフ表現と学習のための部分グラフニューラルネットワーク(PaGNN)を新たに開発した。
論文 参考訳（メタデータ） (2020-03-23T08:29:59Z)
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。