論文の概要: ReGrAt: Regularization in Graphs using Attention to handle class imbalance

• arxiv url: http://arxiv.org/abs/2211.14770v1
• Date: Sun, 27 Nov 2022 09:04:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 19:24:25.422043
• Title: ReGrAt: Regularization in Graphs using Attention to handle class imbalance
• Title（参考訳）: ReGrAt: Attentionを使ってクラス不均衡を処理するグラフの正規化
• Authors: Neeraja Kirtane, Jeshuren Chelladurai, Balaraman Ravindran, Ashish Tendulkar
• Abstract要約: 本研究では,ノード分類の不均衡に注意ネットワークがどう取り組むかを検討する。 また、正規化器を用いてマイノリティノードにより大きな重み付けを割り当てることで、この不均衡を緩和する。 我々は、いくつかの標準引用ベンチマークデータセットの既存の手法よりも、最先端の成果を達成している。
• 参考スコア（独自算出の注目度）: 14.322295231579073
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Node classification is an important task to solve in graph-based learning. Even though a lot of work has been done in this field, imbalance is neglected. Real-world data is not perfect, and is imbalanced in representations most of the times. Apart from text and images, data can be represented using graphs, and thus addressing the imbalance in graphs has become of paramount importance. In the context of node classification, one class has less examples than others. Changing data composition is a popular way to address the imbalance in node classification. This is done by resampling the data to balance the dataset. However, that can sometimes lead to loss of information or add noise to the dataset. Therefore, in this work, we implicitly solve the problem by changing the model loss. Specifically, we study how attention networks can help tackle imbalance. Moreover, we observe that using a regularizer to assign larger weights to minority nodes helps to mitigate this imbalance. We achieve State of the Art results than the existing methods on several standard citation benchmark datasets.
• Abstract（参考訳）: ノード分類はグラフベースの学習において重要な課題である。 この分野では多くの作業が行われているが、不均衡は無視されている。 実世界のデータは完璧ではなく、ほとんどの場合、表現において不均衡である。 テキストや画像は別として、データはグラフを使って表現できるため、グラフの不均衡に対処することが重要になっている。 ノード分類の文脈では、あるクラスは他のクラスよりも少ない例を持つ。 データ構成の変更は、ノード分類の不均衡に対処する一般的な方法である。 これはデータセットのバランスをとるためにデータを再サンプリングすることで行われる。 しかし、それによって情報が失われたり、データセットにノイズを加えることがある。 そこで本研究では,モデル損失を変化させることで暗黙的に解決する。 具体的には,注意ネットワークが不均衡にどう対処できるかを検討する。 さらに、正規化器を用いてマイノリティノードにより大きな重みを割り当てることで、この不均衡を緩和する。 我々は,いくつかの標準citationベンチマークデータセットにおいて,既存の手法よりも技術結果の状態を実現できる。

関連論文リスト

• Open-World Semi-Supervised Learning for Node Classification [53.07866559269709]
  ノード分類のためのオープンワールド半教師付き学習(Open World SSL)は、グラフコミュニティにおいて実用的だが未探索の課題である。 オープンワールド半教師付きノード分類のためのIM Balance-AwareメソッドOpenIMAを提案する。
  論文  参考訳（メタデータ） (2024-03-18T05:12:54Z)
• BuffGraph: Enhancing Class-Imbalanced Node Classification via Buffer Nodes [41.81470712194631]
  グラフ構造データにおけるクラス不均衡は、グラフニューラルネットワーク(GNN)にとって重要な課題である。 グラフにバッファノードを挿入するBuffGraphを導入し、多数派クラスの影響を調整し、マイナークラス表現を改善する。 実世界の多様なデータセットを対象とした実験により,BuffGraphは,クラス不均衡ノード分類において,既存のベースライン手法よりも優れていたことが実証された。
  論文  参考訳（メタデータ） (2024-02-20T16:11:59Z)
• Heterophily-Based Graph Neural Network for Imbalanced Classification [19.51668009720269]
  グラフの不均衡な分類をグラフヘテロフィリを考慮した一意なアプローチを導入する。 我々は,不均衡な分類戦略をヘテロフィリア認識GNNと統合したFast Im-GBKを提案する。 実世界のグラフに関する我々の実験は、ノード分類タスクの分類性能と効率において、我々のモデルが優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-12T21:19:47Z)
• Rethinking Explaining Graph Neural Networks via Non-parametric Subgraph Matching [68.35685422301613]
  そこで我々はMatchExplainerと呼ばれる新しい非パラメトリックな部分グラフマッチングフレームワークを提案し、説明的部分グラフを探索する。 ターゲットグラフと他のインスタンスを結合し、ノードに対応する距離を最小化することで最も重要な結合部分構造を識別する。 合成および実世界のデータセットの実験は、最先端のパラメトリックベースラインをかなりのマージンで上回り、MatchExplainerの有効性を示す。
  論文  参考訳（メタデータ） (2023-01-07T05:14:45Z)
• Graph Neural Network with Curriculum Learning for Imbalanced Node Classification [21.085314408929058]
  グラフニューラルネットワーク(GNN)は,ノード分類などのグラフベースの学習タスクの新興技術である。 本研究では,ノードラベルの不均衡に対するGNNの脆弱性を明らかにする。 本稿では,2つのモジュールからなるカリキュラム学習(GNN-CL)を備えたグラフニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-05T10:46:11Z)
• Deconfounded Training for Graph Neural Networks [98.06386851685645]
  本稿では, コンバウンディング効果を緩和し, 臨界情報に対するラッチを緩和する新しいDecon Training(DTP)のパラダイムを提案する。 具体的には、注意モジュールを用いて臨界部分グラフと自明部分グラフをアンタングル化する。 これにより、GNNは、ラベルとの関係が複数のディストリビューションで堅牢である、より信頼性の高いサブグラフをキャプチャできる。
  論文  参考訳（メタデータ） (2021-12-30T15:22:35Z)
• Distributionally Robust Semi-Supervised Learning Over Graphs [68.29280230284712]
  グラフ構造化データに対する半教師付き学習(SSL)は、多くのネットワークサイエンスアプリケーションに現れる。 グラフ上の学習を効率的に管理するために,近年,グラフニューラルネットワーク(GNN)の変種が開発されている。 実際に成功したにも拘わらず、既存の手法のほとんどは、不確実な結節属性を持つグラフを扱うことができない。 ノイズ測定によって得られたデータに関連する分布の不確実性によっても問題が発生する。 分散ロバストな学習フレームワークを開発し,摂動に対する定量的ロバスト性を示すモデルを訓練する。
  論文  参考訳（メタデータ） (2021-10-20T14:23:54Z)
• GraphMixup: Improving Class-Imbalanced Node Classification on Graphs by Self-supervised Context Prediction [25.679620842010422]
  本稿では,グラフ上のクラス不均衡ノード分類を改善するための新しい混合フレームワークであるGraphMixupを提案する。 我々は,これらのマイノリティクラスに対する混合によって生成されるサンプル数を適応的に決定するEmphReinforcement Mixupメカニズムを開発した。 3つの実世界のデータセットの実験により、GraphMixupはクラス不均衡なノード分類タスクに対して真に励まされる結果が得られることが示された。
  論文  参考訳（メタデータ） (2021-06-21T14:12:16Z)
• Graph Classification by Mixture of Diverse Experts [67.33716357951235]
  我々は,不均衡なグラフ分類に多様な専門家の混在を利用したフレームワークであるGraphDIVEを提案する。 GraphDIVEは、分割と並列の原則により、不均衡なグラフデータセットを複数のサブセットに分割するゲーティングネットワークを採用しています。 実世界の不均衡グラフデータセットに関する実験は、GraphDIVEの有効性を示している。
  論文  参考訳（メタデータ） (2021-03-29T14:03:03Z)
• Dual ResGCN for Balanced Scene GraphGeneration [106.7828712878278]
  本稿では,オブジェクト残差グラフ畳み込みネットワークと関係残差グラフ畳み込みネットワークからなる新しいモデルであるtextitdual ResGCNを提案する。 2つのネットワークは相互に補完的であり、前者はオブジェクトレベルのコンテキスト情報、すなわちオブジェクト間の接続をキャプチャする。 後者は、関係レベルのコンテキスト情報、すなわち関係間の関係を明示的にキャプチャするように設計されている。
  論文  参考訳（メタデータ） (2020-11-09T07:44:17Z)

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。