論文の概要: T2G-Former: Organizing Tabular Features into Relation Graphs Promotes Heterogeneous Feature Interaction

• arxiv url: http://arxiv.org/abs/2211.16887v1
• Date: Wed, 30 Nov 2022 10:39:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 17:34:26.600340
• Title: T2G-Former: Organizing Tabular Features into Relation Graphs Promotes Heterogeneous Feature Interaction
• Title（参考訳）: T2G-Former:不均一な特徴相互作用を促進する関係グラフへの語彙特徴の整理
• Authors: Jiahuan Yan, Jintai Chen, Yixuan Wu, Danny Z. Chen, Jian Wu
• Abstract要約: 本稿では,グラフ特徴間の関係を自動的に推定し,関連する特徴間のエッジを割り当てることでグラフを構築するグラフ推定器を提案する。 提案したグラフ推定器に基づいて,T2G-Formerと呼ばれる表型学習に適したベスポーク変換器ネットワークを提案する。 我々のT2G-FormerはDNNにおいて優れた性能を発揮し、非深さ勾配ブースト決定木モデルと競合する。
• 参考スコア（独自算出の注目度）: 15.464703129175298
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent development of deep neural networks (DNNs) for tabular learning has largely benefited from the capability of DNNs for automatic feature interaction. However, the heterogeneity nature of tabular features makes such features relatively independent, and developing effective methods to promote tabular feature interaction still remains an open problem. In this paper, we propose a novel Graph Estimator, which automatically estimates the relations among tabular features and builds graphs by assigning edges between related features. Such relation graphs organize independent tabular features into a kind of graph data such that interaction of nodes (tabular features) can be conducted in an orderly fashion. Based on our proposed Graph Estimator, we present a bespoke Transformer network tailored for tabular learning, called T2G-Former, which processes tabular data by performing tabular feature interaction guided by the relation graphs. A specific Cross-level Readout collects salient features predicted by the layers in T2G-Former across different levels, and attains global semantics for final prediction. Comprehensive experiments show that our T2G-Former achieves superior performance among DNNs and is competitive with non-deep Gradient Boosted Decision Tree models.
• Abstract（参考訳）: 表型学習のためのディープニューラルネットワーク(DNN)の最近の開発は、自動機能インタラクションのためのDNNの能力の大きな恩恵を受けている。 しかし、表的特徴の多様性が相対的に独立しており、表的特徴の相互作用を促進する効果的な方法の開発はいまだに未解決の問題である。 本稿では,グラフ特徴間の関係を自動的に推定し,関連する特徴間のエッジを割り当てることでグラフを構築するグラフ推定器を提案する。 このような関係グラフは独立した表型特徴をグラフデータの一種に整理し、ノード間の相互作用(表型特徴)を秩序よく行うことができる。 提案するグラフ推定器に基づいて,t2g-former と呼ばれる表型学習用に調整された,表型特徴対話を関係グラフで導出することにより表型データの処理を行う別個のトランスフォーマネットワークを提案する。 特定のクロスレベル読み出しは、異なるレベルにわたるt2gフォーマの層によって予測される突出した特徴を収集し、最終的な予測のためにグローバルセマンティクスを達成する。 包括的実験により,t2g-formerはdnnにおいて優れた性能を達成でき,非深勾配強調決定木モデルと競合することが示された。

関連論文リスト

• Enhancing Missing Data Imputation through Combined Bipartite Graph and Complete Directed Graph [18.06658040186476]
  BCGNN(Bipartite and Complete Directed Graph Neural Network)という新しいフレームワークを導入する。 BCGNN内では、観察と特徴は2つの異なるノードタイプとして区別され、観察された特徴の値はそれらをリンクする属性付きエッジに変換される。 並行して、完全な有向グラフセグメントは、機能間の複雑な相互依存性を網羅し、伝達する。
  論文  参考訳（メタデータ） (2024-11-07T17:48:37Z)
• Improving Graph Neural Networks by Learning Continuous Edge Directions [0.0]
  グラフニューラルネットワーク(GNN)は、従来、非指向グラフ上の拡散に似たメッセージパッシング機構を採用している。 私たちのキーとなる洞察は、ファジィエッジ方向をグラフのエッジに割り当てることです。 ファジィエッジを持つグラフを学習するためのフレームワークとして,Continuous Edge Direction (CoED) GNNを提案する。
  論文  参考訳（メタデータ） (2024-10-18T01:34:35Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• TabGSL: Graph Structure Learning for Tabular Data Prediction [10.66048003460524]
  本稿では,グラフ構造学習(Tabular Graph Structure Learning, TabGSL)という新しい手法を提案する。 30のベンチマークデータセットで実施された実験では、TabGSLがツリーベースモデルと最近のディープラーニングベースモデルの両方を著しく上回っていることが示されている。
  論文  参考訳（メタデータ） (2023-05-25T08:33:48Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• 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)
• TabGNN: Multiplex Graph Neural Network for Tabular Data Prediction [43.35301059378836]
  最近普及しているグラフニューラルネットワーク(GNN)に基づく新しいフレームワークTabGNNを提案する。 具体的には,まず,多面的サンプル関係をモデル化するための多重グラフを構築し,次に,各サンプルに対する拡張表現を学習するための多重グラフニューラルネットワークを設計する。 分類と回帰を含む11のTDPデータセットに対する実験は、TabGNNが一貫して性能を向上できることを示している。
  論文  参考訳（メタデータ） (2021-08-20T11:51:32Z)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)
• CopulaGNN: Towards Integrating Representational and Correlational Roles of Graphs in Graph Neural Networks [23.115288017590093]
  グラフニューラルネットワーク(GNN)モデルが両タイプの情報を効果的に活用する方法について検討する。 提案したCopula Graph Neural Network (CopulaGNN)は、幅広いGNNモデルをベースモデルとして扱うことができる。
  論文  参考訳（メタデータ） (2020-10-05T15:20:04Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。