論文の概要: Empowering Graph Representation Learning with Test-Time Graph Transformation

• arxiv url: http://arxiv.org/abs/2210.03561v1
• Date: Fri, 7 Oct 2022 13:51:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 12:42:16.959552
• Title: Empowering Graph Representation Learning with Test-Time Graph Transformation
• Title（参考訳）: テスト時間グラフ変換を用いたグラフ表現学習
• Authors: Wei Jin, Tong Zhao, Jiayuan Ding, Yozen Liu, Jiliang Tang, Neil Shah
• Abstract要約: 本稿では,GTrans というグラフ変換フレームワークを提案する。 本稿では,フレームワークの設計に関する理論的分析を行い,グラフデータの適応がモデルに適応するよりも優れている理由について論じる。
• 参考スコア（独自算出の注目度）: 44.724631340034925
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As powerful tools for representation learning on graphs, graph neural networks (GNNs) have facilitated various applications from drug discovery to recommender systems. Nevertheless, the effectiveness of GNNs is immensely challenged by issues related to data quality, such as distribution shift, abnormal features and adversarial attacks. Recent efforts have been made on tackling these issues from a modeling perspective which requires additional cost of changing model architectures or re-training model parameters. In this work, we provide a data-centric view to tackle these issues and propose a graph transformation framework named GTrans which adapts and refines graph data at test time to achieve better performance. We provide theoretical analysis on the design of the framework and discuss why adapting graph data works better than adapting the model. Extensive experiments have demonstrated the effectiveness of GTrans on three distinct scenarios for eight benchmark datasets where suboptimal data is presented. Remarkably, GTrans performs the best in most cases with improvements up to 2.8%, 8.2% and 3.8% over the best baselines on three experimental settings.
• Abstract（参考訳）: グラフ上で表現学習を行う強力なツールとして、グラフニューラルネットワーク(gnn)は、薬物発見からレコメンダシステムまで、さまざまな応用を促進してきた。 それでも、GNNの有効性は、分散シフト、異常な特徴、敵の攻撃など、データ品質に関する問題によって非常に困難である。 最近、モデルアーキテクチャの変更やモデルパラメータの再トレーニングの追加コストを必要とするモデリングの観点から、これらの問題に取り組む取り組みが行われている。 本研究では,これらの問題に対処するためのデータ中心のビューを提供し,GTransというグラフ変換フレームワークを提案する。 フレームワークの設計に関する理論的分析を行い、グラフデータの適用がモデルの適用よりも優れている理由について論じる。 大規模な実験により、GTransは、最適値を示す8つのベンチマークデータセットの3つの異なるシナリオに対して有効であることが示された。 注目すべきことに、GTransは3つの実験的な設定で最高のベースラインよりも2.8%、8.2%、および3.8%の改善を達成している。

関連論文リスト

• Revisiting, Benchmarking and Understanding Unsupervised Graph Domain Adaptation [31.106636947179005]
  教師なしグラフドメイン適応(Unsupervised Graph Domain Adaptation)は、ラベル豊富なソースグラフからラベルなしターゲットグラフへの知識の転送を含む。 GDABenchと呼ばれる教師なしグラフ領域適応のための最初の包括的なベンチマークを示す。 我々は、現在のUGDAモデルの性能がデータセットや適応シナリオによって大きく異なることを観察する。
  論文  参考訳（メタデータ） (2024-07-09T06:44:09Z)
• Gradient Transformation: Towards Efficient and Model-Agnostic Unlearning for Dynamic Graph Neural Networks [66.70786325911124]
  グラフアンラーニングは、ユーザのプライバシ保護と、望ましくないデータによるネガティブな影響軽減に不可欠なツールとして登場した。 DGNNの普及に伴い、動的グラフアンラーニングの実装を検討することが不可欠となる。 DGNNアンラーニングを実装するために,効率的,効率的,モデルに依存しない,事後処理手法を提案する。
  論文  参考訳（メタデータ） (2024-05-23T10:26:18Z)
• Advancing Fluid-Based Thermal Management Systems Design: Leveraging Graph Neural Networks for Graph Regression and Efficient Enumeration Reduction [0.0]
  最適熱管理システム設計の様々な側面を表わすグラフベースのフレームワークを開発した。 オープンループ最適制御器を用いて各システムの最適性能を決定する。 グラフニューラルネットワーク(GNN)モデルは、ラベル付きデータの30%でトレーニングされ、システムのパフォーマンスを予測する。
  論文  参考訳（メタデータ） (2023-11-24T23:51:53Z)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• Revisiting Embeddings for Graph Neural Networks [0.0]
  画像とテキストの両方に対して異なる埋め込み抽出手法を探索する。 埋め込みの選択は異なるGNNアーキテクチャの性能に偏っていることがわかった。 本稿では,グラフ接続型ネットワーク(GraNet)層を提案する。
  論文  参考訳（メタデータ） (2022-09-19T20:37:55Z)
• Transformer for Graphs: An Overview from Architecture Perspective [86.3545861392215]
  グラフのために既存のTransformerモデルを分類し、様々なグラフタスクでそれらの効果を体系的に研究することが不可欠です。 まず、既存のモデルを分解し、バニラ変換器にグラフ情報を組み込む典型的な3つの方法を結論付けます。 本実験は,Transformerにおける現在のグラフ固有のモジュールの利点を確認し,異なる種類のグラフタスクにおけるそれらの利点を明らかにする。
  論文  参考訳（メタデータ） (2022-02-17T06:02:06Z)
• Training Robust Graph Neural Networks with Topology Adaptive Edge Dropping [116.26579152942162]
  グラフニューラルネットワーク(GNN)は、グラフ構造情報を利用してネットワークデータから表現をモデル化する処理アーキテクチャである。 彼らの成功にもかかわらず、GNNは限られた訓練データから得られる準最適一般化性能に悩まされている。 本稿では、一般化性能を改善し、堅牢なGNNモデルを学習するためのトポロジ適応エッジドロップ法を提案する。
  論文  参考訳（メタデータ） (2021-06-05T13:20:36Z)
• Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
  学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。 FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
  論文  参考訳（メタデータ） (2020-10-19T21:51:47Z)

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。