論文の概要: Learning with Few Labeled Nodes via Augmented Graph Self-Training
- arxiv url: http://arxiv.org/abs/2208.12422v1
- Date: Fri, 26 Aug 2022 03:36:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-29 13:12:29.598429
- Title: Learning with Few Labeled Nodes via Augmented Graph Self-Training
- Title（参考訳）: Augmented Graph Self-Trainingによるラベル付きノードの学習
- Authors: Kaize Ding, Elnaz Nouri, Guoqing Zheng, Huan Liu and Ryen White
- Abstract要約: GST(Augmented Graph Self-Training)フレームワークは、分離されたGSTバックボーンの上に2つの新しい(構造的および意味的な)拡張モジュールで構築されている。
この新たなフレームワークが,ラベル付きノードを極端に限定した効率的なグラフ予測モデルを学習できるかどうかを検討する。
- 参考スコア（独自算出の注目度）: 36.97506256446519
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: It is well known that the success of graph neural networks (GNNs) highly
relies on abundant human-annotated data, which is laborious to obtain and not
always available in practice. When only few labeled nodes are available, how to
develop highly effective GNNs remains understudied. Though self-training has
been shown to be powerful for semi-supervised learning, its application on
graph-structured data may fail because (1) larger receptive fields are not
leveraged to capture long-range node interactions, which exacerbates the
difficulty of propagating feature-label patterns from labeled nodes to
unlabeled nodes; and (2) limited labeled data makes it challenging to learn
well-separated decision boundaries for different node classes without
explicitly capturing the underlying semantic structure. To address the
challenges of capturing informative structural and semantic knowledge, we
propose a new graph data augmentation framework, AGST (Augmented Graph
Self-Training), which is built with two new (i.e., structural and semantic)
augmentation modules on top of a decoupled GST backbone. In this work, we
investigate whether this novel framework can learn an effective graph
predictive model with extremely limited labeled nodes. We conduct comprehensive
evaluations on semi-supervised node classification under different scenarios of
limited labeled-node data. The experimental results demonstrate the unique
contributions of the novel data augmentation framework for node classification
with few labeled data.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)の成功は、人間が注釈付けした豊富なデータに大きく依存していることはよく知られている。
ラベル付きノードが少ない場合、高効率なGNNの開発方法はまだ検討されていない。
Though self-training has been shown to be powerful for semi-supervised learning, its application on graph-structured data may fail because (1) larger receptive fields are not leveraged to capture long-range node interactions, which exacerbates the difficulty of propagating feature-label patterns from labeled nodes to unlabeled nodes; and (2) limited labeled data makes it challenging to learn well-separated decision boundaries for different node classes without explicitly capturing the underlying semantic structure.
本稿では,GSTバックボーン上に2つの新しい(構造的および意味的)拡張モジュールを組み込んだ新しいグラフデータ拡張フレームワークAGST(Augmented Graph Self-Training)を提案する。
本研究では,このフレームワークが極めて限定されたラベル付きノードを用いて,効果的なグラフ予測モデルを学ぶことができるか検討する。
制限されたラベル付きノードデータの異なるシナリオで,半教師付きノード分類の包括的評価を行う。
実験結果は,ラベル付きデータが少ないノード分類のための新しいデータ拡張フレームワークのユニークな貢献を示す。
関連論文リスト
- Multi-View Subgraph Neural Networks: Self-Supervised Learning with Scarce Labeled Data [24.628203785306233]
長距離依存関係を扱うためのマルチビューサブグラフニューラルネットワーク(Muse)と呼ばれる新しい学習フレームワークを提案する。
部分グラフの2つのビューを融合させることで、学習された表現はグラフの位相的性質を広く保存することができる。
実験の結果,Museは限定ラベル付きデータを用いたノード分類タスクにおいて,代替手法よりも優れていた。
論文 参考訳（メタデータ） (2024-04-19T01:36:50Z) - Breaking the Entanglement of Homophily and Heterophily in
Semi-supervised Node Classification [25.831508778029097]
統計的観点から,ノードプロファイルとトポロジの関係を定量化するAMUDを提案する。
また、AMUDのための新しい有向グラフ学習パラダイムとしてADPAを提案する。
論文 参考訳（メタデータ） (2023-12-07T07:54:11Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳（メタデータ） (2023-06-14T09:21:15Z) - A Robust Stacking Framework for Training Deep Graph Models with
Multifaceted Node Features [61.92791503017341]
数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。
IID(non-graph)データをGNNに簡単に組み込むことはできない。
本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
論文 参考訳（メタデータ） (2022-06-16T22:46:33Z) - 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) - Meta Propagation Networks for Graph Few-shot Semi-supervised Learning [39.96930762034581]
本稿では,この問題を解決するために,メタ学習アルゴリズムを用いた新しいネットワークアーキテクチャを提案する。
基本的に,我々のMeta-PNフレームワークは,メタ学習ラベルの伝搬戦略を用いて,未ラベルノード上の高品質な擬似ラベルを推論する。
我々のアプローチは、様々なベンチマークデータセットの既存の技術と比較して、容易で実質的なパフォーマンス向上を提供する。
論文 参考訳（メタデータ） (2021-12-18T00:11:56Z) - Noise-robust Graph Learning by Estimating and Leveraging Pairwise
Interactions [123.07967420310796]
本稿では,グラフ上のノイズノード分類のためのペアワイズフレームワークを提案することにより,そのギャップを埋める。
PI-GNNは、ノイズの多いノードクラスラベルからのポイントワイズ学習に加えて、PIを一次学習プロキシとして依存している。
提案するフレームワークPI-GNNは,(1)PIラベルを適応的に推定する信頼度を考慮したPI推定モデル,(2)PIラベルを推定する疎結合トレーニング手法の2つの新しい構成要素に寄与する。
論文 参考訳（メタデータ） (2021-06-14T14:23:08Z) - Node2Seq: Towards Trainable Convolutions in Graph Neural Networks [59.378148590027735]
今回提案するグラフネットワーク層であるNode2Seqは,隣接ノードの重みを明示的に調整可能なノード埋め込みを学習する。
対象ノードに対して,当手法は注意メカニズムを介して隣接ノードをソートし,さらに1D畳み込みニューラルネットワーク(CNN)を用いて情報集約のための明示的な重み付けを行う。
また, 特徴学習のための非局所的情報を, 注意スコアに基づいて適応的に組み込むことを提案する。
論文 参考訳（メタデータ） (2021-01-06T03:05:37Z) - When Contrastive Learning Meets Active Learning: A Novel Graph Active
Learning Paradigm with Self-Supervision [19.938379604834743]
本稿では,グラフニューラルネットワーク(GNN)の性能を最大化するための最も情報性の高いノードを発見することを目的とした,グラフ上のアクティブラーニング(AL)について検討する。
比較学習(CL)の成功に触発され,グラフALをCLとシームレスに統合する新しいパラダイムを提案する。
5つの公開データセットに対する包括的かつ不確定な実験は、我々の手法が最先端技術よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-10-30T06:20:07Z) - Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。
推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。
4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
論文 参考訳（メタデータ） (2020-01-17T02:52:30Z)
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。