論文の概要: GraphMAD: Graph Mixup for Data Augmentation using Data-Driven Convex Clustering

• arxiv url: http://arxiv.org/abs/2210.15721v1
• Date: Thu, 27 Oct 2022 18:50:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-31 15:31:59.425460
• Title: GraphMAD: Graph Mixup for Data Augmentation using Data-Driven Convex Clustering
• Title（参考訳）: GraphMAD: データ駆動凸クラスタリングによるデータ拡張のためのグラフミックスアップ
• Authors: Madeline Navarro and Santiago Segarra
• Abstract要約: 本稿では,グラフデータ拡張のためのデータ駆動非線形混合機構と,サンプルペアとそのラベルに対する異なる混合関数を提案する。 ベンチマークデータセット上でグラフデータ拡張性能を評価し,非線形データ駆動混合関数がグラフ分類を大幅に改善できることを実証した。
• 参考スコア（独自算出の注目度）: 24.077455621015552
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We develop a novel data-driven nonlinear mixup mechanism for graph data augmentation and present different mixup functions for sample pairs and their labels. Mixup is a data augmentation method to create new training data by linearly interpolating between pairs of data samples and their labels. Mixup of graph data is challenging since the interpolation between graphs of potentially different sizes is an ill-posed operation. Hence, a promising approach for graph mixup is to first project the graphs onto a common latent feature space and then explore linear and nonlinear mixup strategies in this latent space. In this context, we propose to (i) project graphs onto the latent space of continuous random graph models known as graphons, (ii) leverage convex clustering in this latent space to generate nonlinear data-driven mixup functions, and (iii) investigate the use of different mixup functions for labels and data samples. We evaluate our graph data augmentation performance on benchmark datasets and demonstrate that nonlinear data-driven mixup functions can significantly improve graph classification.
• Abstract（参考訳）: グラフデータ拡張のための新しいデータ駆動非線形混合機構を開発し、サンプルペアとそのラベルに対して異なる混合関数を示す。 Mixupは、データサンプルとラベルを線形に補間することで、新しいトレーニングデータを作成するデータ拡張方法である。 グラフデータの混合は、潜在的に異なるサイズのグラフ間の補間が不適切な操作であるため、困難である。 したがって、グラフ混合に対する有望なアプローチは、まずグラフを共通の潜在的特徴空間に投影し、この潜在的空間における線形および非線形混合戦略を探索することである。 この文脈で,我々は提案する (i)グラフと呼ばれる連続ランダムグラフモデルの潜在空間への射影グラフ (ii) この潜伏空間における凸クラスタリングを利用して非線形データ駆動混合関数を生成し、 (iii)ラベルとデータサンプルに異なる混合関数を用いることについて検討する。 ベンチマークデータセット上でグラフデータ拡張性能を評価し,非線形データ駆動混合関数がグラフ分類を大幅に改善できることを実証した。

関連論文リスト

• Data Augmentation in Graph Neural Networks: The Role of Generated Synthetic Graphs [0.24999074238880487]
  本研究では,データ拡張のための生成グラフについて検討する。 生成したグラフを実グラフと組み合わせることのパフォーマンスを比較し、生成したグラフの量が異なることがグラフ分類タスクに与える影響を調べる。 その結果,グラフデータの拡張,一貫性のあるラベルの確保,分類性能の向上など,新たなアプローチが導入された。
  論文  参考訳（メタデータ） (2024-07-20T06:05:26Z)
• GeoMix: Towards Geometry-Aware Data Augmentation [76.09914619612812]
  Mixupは画像分類におけるラベル付き限られたデータによる課題の緩和にかなりの成功を収めている。 In-place graph editing を利用した簡易かつ解釈可能な混合手法 Geometric Mixup (GeoMix) を提案する。
  論文  参考訳（メタデータ） (2024-07-15T12:58:04Z)
• GDM: Dual Mixup for Graph Classification with Limited Supervision [27.8982897698616]
  グラフニューラルネットワーク(GNN)は、グラフ分類タスクにおいて優れたパフォーマンスを得るために、多数のラベル付きグラフサンプルを必要とする。 ラベル付きグラフサンプルの減少に伴い, GNNの性能は著しく低下する。 本稿では,新しいラベル付きグラフサンプルを生成するための混合グラフ拡張法を提案する。
  論文  参考訳（メタデータ） (2023-09-18T20:17:10Z)
• Graph Mixup with Soft Alignments [49.61520432554505]
  本研究では,画像上での使用に成功しているミキサアップによるグラフデータの増大について検討する。 ソフトアライメントによるグラフ分類のための簡易かつ効果的な混合手法であるS-Mixupを提案する。
  論文  参考訳（メタデータ） (2023-06-11T22:04:28Z)
• G-Mixup: Graph Data Augmentation for Graph Classification [55.63157775049443]
  Mixupは、2つのランダムサンプル間の特徴とラベルを補間することにより、ニューラルネットワークの一般化とロバスト性を改善する上で優位性を示している。 グラフ分類のためのグラフを増補するために$mathcalG$-Mixupを提案し、グラフの異なるクラスのジェネレータ(すなわちグラフ)を補間する。 実験により、$mathcalG$-MixupはGNNの一般化とロバスト性を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2022-02-15T04:09:44Z)
• Graph Transplant: Node Saliency-Guided Graph Mixup with Local Structure Preservation [27.215800308343322]
  グラフトランスポート(Graph Transplant)と呼ばれるグラフレベルでMixupライクなグラフ拡張手法を提案する。 本手法では, 局所情報を保存可能な混合単位としてサブ構造を同定する。 複数のグラフ分類ベンチマークデータセットを用いて,多様なGNNアーキテクチャを用いて提案手法を広範囲に検証する。
  論文  参考訳（メタデータ） (2021-11-10T11:10:13Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Adaptive Graph Auto-Encoder for General Data Clustering [90.8576971748142]
  グラフベースのクラスタリングは、クラスタリング領域において重要な役割を果たす。 グラフ畳み込みニューラルネットワークに関する最近の研究は、グラフ型データにおいて驚くべき成功を収めている。 本稿では,グラフの生成的視点に応じて適応的にグラフを構成する汎用データクラスタリングのためのグラフ自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2020-02-20T10:11:28Z)

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。