論文の概要: Graph Few-shot Learning with Task-specific Structures

• arxiv url: http://arxiv.org/abs/2210.12130v1
• Date: Fri, 21 Oct 2022 17:40:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 16:13:05.746435
• Title: Graph Few-shot Learning with Task-specific Structures
• Title（参考訳）: タスク固有構造を用いたグラフファウショット学習
• Authors: Song Wang, Chen Chen, Jundong Li
• Abstract要約: 既存のグラフ数ショット学習手法は一般的にグラフニューラルネットワーク(GNN)を利用する メタタスクごとにタスク固有の構造を学習する新しいフレームワークを提案する。 このようにして、各メタタスクに適したタスク固有の構造を持つノード表現を学習することができる。
• 参考スコア（独自算出の注目度）: 38.52226241144403
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph few-shot learning is of great importance among various graph learning tasks. Under the few-shot scenario, models are often required to conduct classification given limited labeled samples. Existing graph few-shot learning methods typically leverage Graph Neural Networks (GNNs) and perform classification across a series of meta-tasks. Nevertheless, these methods generally rely on the original graph (i.e., the graph that the meta-task is sampled from) to learn node representations. Consequently, the graph structure used in each meta-task is identical. Since the class sets are different across meta-tasks, node representations should be learned in a task-specific manner to promote classification performance. Therefore, to adaptively learn node representations across meta-tasks, we propose a novel framework that learns a task-specific structure for each meta-task. To handle the variety of nodes across meta-tasks, we extract relevant nodes and learn task-specific structures based on node influence and mutual information. In this way, we can learn node representations with the task-specific structure tailored for each meta-task. We further conduct extensive experiments on five node classification datasets under both single- and multiple-graph settings to validate the superiority of our framework over the state-of-the-art baselines. Our code is provided at https://github.com/SongW-SW/GLITTER.
• Abstract（参考訳）: グラフの少数ショット学習は、さまざまなグラフ学習タスクにおいて非常に重要である。 少数のシナリオでは、限定されたラベル付きサンプルの分類を行うためにモデルが必要となることが多い。 既存のグラフ数ショット学習方法は一般的にグラフニューラルネットワーク(GNN)を利用し、一連のメタタスクをまたいだ分類を行う。 しかしながら、これらの手法は一般にノード表現を学ぶために元のグラフ(メタタスクがサンプリングされたグラフ)に依存している。 したがって、各メタタスクで使用されるグラフ構造は同一である。 クラスセットはメタタスク間で異なるため、ノード表現はタスク固有の方法で学習して分類性能を促進する必要がある。 そこで,メタタスク間のノード表現を適応的に学習するために,メタタスクごとにタスク固有の構造を学習する新しいフレームワークを提案する。 メタタスク間の多様なノードを扱うために,関連するノードを抽出し,ノードの影響や相互情報に基づいてタスク固有の構造を学習する。 このようにして、各メタタスクに適したタスク固有の構造を持つノード表現を学習することができる。 さらに,5つのノード分類データセットを単一および複数グラフ設定で広範な実験を行い,最先端のベースラインに対するフレームワークの優位性を検証する。 我々のコードはhttps://github.com/SongW-SW/GLITTERで提供されている。

関連論文リスト

• Meta-GPS++: Enhancing Graph Meta-Learning with Contrastive Learning and Self-Training [22.473322546354414]
  そこで我々はMeta-GPS++と呼ばれる少数ショットノード分類のための新しいフレームワークを提案する。 まず,同好および異好のグラフ上での識別ノード表現を効率よく学習する手法を採用する。 また、ラベルのないノードから貴重な情報を抽出するために自己学習を適用する。
  論文  参考訳（メタデータ） (2024-07-20T03:05:12Z)
• One for All: Towards Training One Graph Model for All Classification Tasks [61.656962278497225]
  様々なグラフタスクの統一モデルは、主にグラフ学習領域に固有の課題のために、まだ探索されていない。 上記の課題に対処するために単一のグラフモデルを使用できる最初の汎用フレームワークである textbfOne for All (OFA) を提案する。 OFAは様々なタスクでうまく機能し、グラフ上の最初の汎用のクロスドメイン分類モデルとなる。
  論文  参考訳（メタデータ） (2023-09-29T21:15:26Z)
• Graph Contrastive Learning Meets Graph Meta Learning: A Unified Method for Few-shot Node Tasks [68.60884768323739]
  Contrastive Few-Shot Node Classification (COLA)を紹介する。 COLAはグラフ拡張を使用して意味的に類似したノードを識別し、ラベル情報を必要としないメタタスクの構築を可能にする。 広範な実験を通じて、我々は設計における各コンポーネントの本質を検証し、COLAが全てのタスクにおいて新しい最先端を達成することを実証する。
  論文  参考訳（メタデータ） (2023-09-19T07:24:10Z)
• Contrastive Meta-Learning for Few-shot Node Classification [54.36506013228169]
  少ないショットノード分類は、限定されたラベル付きノードのみを参照としてグラフ上のノードのラベルを予測することを目的としている。 グラフ上にCOSMICという新しい対照的なメタラーニングフレームワークを2つの重要な設計で作成する。
  論文  参考訳（メタデータ） (2023-06-27T02:22:45Z)
• Task-Equivariant Graph Few-shot Learning [7.78018583713337]
  グラフニューラルネットワーク(GNN)は、少数ショットノード分類として知られる、限られた数のラベル付きノードでノードを分類できることが重要である。 本稿では,新しいアプローチであるタスク・平等グラフ数ショット学習(TEG)フレームワークを提案する。 我々のTEGフレームワークは、限られた数のトレーニングメタタスクを使用して、移行可能なタスク適応戦略を学習することを可能にする。
  論文  参考訳（メタデータ） (2023-05-30T05:47:28Z)
• Relational Multi-Task Learning: Modeling Relations between Data and Tasks [84.41620970886483]
  マルチタスク学習における主要な前提は、推論時にモデルが与えられたデータポイントにのみアクセスできるが、他のタスクからのデータポイントのラベルにはアクセスできないことである。 ここでは、補助的なタスクからデータポイントラベルを活用してより正確な予測を行う、新しいリレーショナルマルチタスク学習環境を提案する。 私たちはMetaLinkを開発し、そこではデータポイントとタスクを接続するナレッジグラフを構築します。
  論文  参考訳（メタデータ） (2023-03-14T07:15:41Z)
• Task-Adaptive Few-shot Node Classification [49.79924004684395]
  数ショットの学習環境下でのタスク適応型ノード分類フレームワークを提案する。 具体的には,ラベル付きノードが豊富なクラスにメタ知識を蓄積する。 次に、提案したタスク適応モジュールを介して、ラベル付きノードが限定されたクラスにそのような知識を転送する。
  論文  参考訳（メタデータ） (2022-06-23T20:48:27Z)
• Graph Representation Learning for Multi-Task Settings: a Meta-Learning Approach [5.629161809575013]
  メタ学習に基づくグラフ表現学習のための新しい学習戦略を提案する。 本手法は,複数タスクの同時実行学習において発生する問題を回避する。 我々は,本手法で訓練したモデルが生成した埋め込みを,単一タスクとマルチタスクの両エンドツーエンドモデルに匹敵する,あるいは驚くほど高いパフォーマンスで複数のタスクを実行できることを示す。
  論文  参考訳（メタデータ） (2022-01-10T12:58:46Z)
• A Meta-Learning Approach for Graph Representation Learning in Multi-Task Settings [7.025709586759655]
  本稿では,マルチタスクノード組込みが可能な新しいメタ学習戦略を提案する。 また,本手法で生成した組込みは,従来のモデルと同等あるいは高い性能で複数のタスクを実行することができることを示した。
  論文  参考訳（メタデータ） (2020-12-12T08:36:47Z)

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。