Fugu-MT 論文翻訳(概要): Dissimilar Nodes Improve Graph Active Learning

論文の概要: Dissimilar Nodes Improve Graph Active Learning

arxiv url: http://arxiv.org/abs/2212.01968v1
Date: Mon, 5 Dec 2022 01:00:37 GMT
ステータス: 処理完了
システム内更新日: 2022-12-06 15:48:39.079723
Title: Dissimilar Nodes Improve Graph Active Learning
Title（参考訳）: 異なるノードがグラフアクティブラーニングを改善する
Authors: Zhicheng Ren, Yifu Yuan, Yuxin Wu, Xiaxuan Gao, Yewen Wang, Yizhou Sun
Abstract要約: 能動学習のための3つの相似性に基づく情報スコア:特徴相似性スコア(FDS)、構造相似性スコア(SDS)、組込み相似性スコア(EDS)を紹介する。新たに提案したスコアにより,分類精度が平均2.1%向上し,異なるグラフニューラルネットワークアーキテクチャへの一般化が可能となった。
参考スコア（独自算出の注目度）: 27.78519071553204
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Training labels for graph embedding algorithms could be costly to obtain in many practical scenarios. Active learning (AL) algorithms are very helpful to obtain the most useful labels for training while keeping the total number of label queries under a certain budget. The existing Active Graph Embedding framework proposes to use centrality score, density score, and entropy score to evaluate the value of unlabeled nodes, and it has been shown to be capable of bringing some improvement to the node classification tasks of Graph Convolutional Networks. However, when evaluating the importance of unlabeled nodes, it fails to consider the influence of existing labeled nodes on the value of unlabeled nodes. In other words, given the same unlabeled node, the computed informative score is always the same and is agnostic to the labeled node set. With the aim to address this limitation, in this work, we introduce 3 dissimilarity-based information scores for active learning: feature dissimilarity score (FDS), structure dissimilarity score (SDS), and embedding dissimilarity score (EDS). We find out that those three scores are able to take the influence of the labeled set on the value of unlabeled candidates into consideration, boosting our AL performance. According to experiments, our newly proposed scores boost the classification accuracy by 2.1% on average and are capable of generalizing to different Graph Neural Network architectures.
Abstract（参考訳）: グラフ埋め込みアルゴリズムのトレーニングラベルは、多くの実用的なシナリオにおいてコストがかかる可能性がある。アクティブラーニング(AL)アルゴリズムは、特定の予算の下でラベルクエリの総数を維持しながら、トレーニングに最も有用なラベルを得るのに非常に役立ちます。既存のアクティブグラフ埋め込みフレームワークは,ラベルなしノードの値を評価するために,集中度スコア,密度スコア,エントロピースコアを用いることを提案し,グラフ畳み込みネットワークのノード分類タスクにいくつかの改善をもたらすことが示されている。しかし、ラベルなしノードの重要性を評価する際に、ラベルなしノードの値に対する既存のラベル付きノードの影響を考慮できない。言い換えれば、同じラベル付きノードが与えられた場合、計算された情報的スコアは常に同じであり、ラベル付きノードセットに非依存である。そこで本研究では,この制限に対処するために,機能的異種度スコア(fds),構造的異種度スコア(sds),組込み異種度スコア(eds)という,アクティブ学習のための3つの異種度に基づく情報スコアを導入する。これら3つのスコアがラベル付きセットの影響をラベル付き候補の値に考慮し、alのパフォーマンスを向上できることが分かりました。実験の結果,新たに提案したスコアにより,分類精度が平均2.1%向上し,異なるグラフニューラルネットワークアーキテクチャへの一般化が可能となった。

関連論文リスト

LEGO-Learn: Label-Efficient Graph Open-Set Learning [46.62885412695813]
グラフオープンセット学習(GOL)とアウト・オブ・ディストリビューション(OOD)の検出は、既知のイン・ディストリビューション(ID)クラスを正確に分類可能なトレーニングモデルによってこの問題に対処することを目的としている。モデルが金融、セキュリティ、ヘルスケアといった予期せぬデータに頻繁に遭遇する、高度な現実世界のアプリケーションにとって、これは重要なことです。 LEGO-Learnは,ラベルの予算内で,最も情報性の高いIDノードを選択することで,グラフ上のオープンセットノード分類に取り組む新しいフレームワークである。
論文参考訳（メタデータ） (2024-10-21T18:01:11Z)
NP$^2$L: Negative Pseudo Partial Labels Extraction for Graph Neural Networks [48.39834063008816]
擬似ラベルはグラフニューラルネットワーク(GNN)で使われ、メッセージパッシングレベルでの学習を支援する。本稿では,GNNにおいて擬似ラベルを使用する新しい手法を提案する。本手法は,部分ラベルの重なりが無く,負のノード対関係として定義される場合,より正確であることを示す。
論文参考訳（メタデータ） (2023-10-02T11:13:59Z)
Every Node Counts: Improving the Training of Graph Neural Networks on Node Classification [9.539495585692007]
ノード分類のためのGNNのトレーニングのための新しい目的語を提案する。我々の第一項は、ノードとラベルの特徴間の相互情報を最大化することを目的としている。第2項は予測写像における異方的滑らか性を促進する。
論文参考訳（メタデータ） (2022-11-29T23:25:14Z)
Label-Enhanced Graph Neural Network for Semi-supervised Node Classification [32.64730237473914]
グラフニューラルネットワーク(GNN)のためのラベル強化学習フレームワークを提案する。まず、各ラベルをクラス内のノードの仮想センターとしてモデル化し、次にノードとラベルの両方の表現を共同で学習する。提案手法は,同一クラスに属するノードの表現を円滑に行うだけでなく,ラベルセマンティクスをGNNの学習プロセスに明示的にエンコードする。
論文参考訳（メタデータ） (2022-05-31T09:48:47Z)
PointMatch: A Consistency Training Framework for Weakly Supervised Semantic Segmentation of 3D Point Clouds [117.77841399002666]
本稿では,データ自体から十分な情報を探索するために整合性正規化を適用することで,データとラベルの両面に立つ新しいフレームワークであるPointMatchを提案する。提案したPointMatchは、ScanNet-v2データセットとS3DISデータセットの両方で、様々な弱い教師付きスキームの下で最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2022-02-22T07:26:31Z)
Noise-robust Graph Learning by Estimating and Leveraging Pairwise Interactions [123.07967420310796]
本稿では,グラフ上のノイズノード分類のためのペアワイズフレームワークを提案することにより,そのギャップを埋める。 PI-GNNは、ノイズの多いノードクラスラベルからのポイントワイズ学習に加えて、PIを一次学習プロキシとして依存している。提案するフレームワークPI-GNNは,(1)PIラベルを適応的に推定する信頼度を考慮したPI推定モデル,(2)PIラベルを推定する疎結合トレーニング手法の2つの新しい構成要素に寄与する。
論文参考訳（メタデータ） (2021-06-14T14:23:08Z)
Unified Robust Training for Graph NeuralNetworks against Label Noise [12.014301020294154]
半監督設定でノイズの多いラベルをグラフ上で学習するための新しいフレームワークである UnionNET を提案します。提案手法は,GNNを頑健に訓練し,ラベル修正を同時に行うための統一的なソリューションを提供する。
論文参考訳（メタデータ） (2021-03-05T01:17:04Z)
Active Learning for Node Classification: The Additional Learning Ability from Unlabelled Nodes [33.97571297149204]
ラベル付け予算が限られているため、active learningはラベル付けするノードを慎重に選択することで、パフォーマンスの向上を目指している。本研究は,ノード分類のための既存のアクティブラーニング手法が,単純な手法でかなり優れていることを示す。ノード分類のための新しい潜在空間クラスタリングに基づくアクティブラーニング手法(LSCALE)を提案する。
論文参考訳（メタデータ） (2020-12-13T13:59:48Z)
Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
論文参考訳（メタデータ） (2020-06-18T00:55:10Z)
Unifying Graph Convolutional Neural Networks and Label Propagation [73.82013612939507]
LPAとGCNの関係を特徴・ラベルの平滑化と特徴・ラベルの影響の2点の観点から検討した。理論解析に基づいて,ノード分類のためのGCNとLCAを統一するエンドツーエンドモデルを提案する。我々のモデルは、既存の特徴に基づく注目モデルよりもタスク指向のノードラベルに基づく学習注意重みと見なすこともできる。
論文参考訳（メタデータ） (2020-02-17T03:23:13Z)
Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。 4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
論文参考訳（メタデータ） (2020-01-17T02:52:30Z)

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。