論文の概要: Graph Learning Indexer: A Contributor-Friendly and Metadata-Rich
Platform for Graph Learning Benchmarks
- arxiv url: http://arxiv.org/abs/2212.04537v1
- Date: Thu, 8 Dec 2022 19:57:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-12 15:40:11.153949
- Title: Graph Learning Indexer: A Contributor-Friendly and Metadata-Rich
Platform for Graph Learning Benchmarks
- Title(参考訳): Graph Learning Indexer: グラフ学習ベンチマークのためのコントリビュータフレンドリかつメタデータリッチなプラットフォーム
- Authors: Jiaqi Ma, Xingjian Zhang, Hezheng Fan, Jin Huang, Tianyue Li, Ting Wei
Li, Yiwen Tu, Chenshu Zhu, Qiaozhu Mei
- Abstract要約: Graph Learning Indexer(GLI)は、グラフ学習のためのベンチマークキュレーションプラットフォームである。
GLIは、Emphdatasetコントリビュータにインセンティブを与えるように設計されている。
GLIは、ベンチマークデータセットの単純なコレクションではなく、知識ベースをキュレートする。
- 参考スコア(独自算出の注目度): 11.972121836128592
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Establishing open and general benchmarks has been a critical driving force
behind the success of modern machine learning techniques. As machine learning
is being applied to broader domains and tasks, there is a need to establish
richer and more diverse benchmarks to better reflect the reality of the
application scenarios. Graph learning is an emerging field of machine learning
that urgently needs more and better benchmarks. To accommodate the need, we
introduce Graph Learning Indexer (GLI), a benchmark curation platform for graph
learning. In comparison to existing graph learning benchmark libraries, GLI
highlights two novel design objectives. First, GLI is designed to incentivize
\emph{dataset contributors}. In particular, we incorporate various measures to
minimize the effort of contributing and maintaining a dataset, increase the
usability of the contributed dataset, as well as encourage attributions to
different contributors of the dataset. Second, GLI is designed to curate a
knowledge base, instead of a plain collection, of benchmark datasets. We use
multiple sources of meta information to augment the benchmark datasets with
\emph{rich characteristics}, so that they can be easily selected and used in
downstream research or development. The source code of GLI is available at
\url{https://github.com/Graph-Learning-Benchmarks/gli}.
- Abstract(参考訳): オープンで一般的なベンチマークを確立することは、現代の機械学習技術の成功を後押しする重要な要因だ。
機械学習が幅広いドメインやタスクに適用されているため、アプリケーションシナリオの現実をよりよく反映するために、よりリッチで多様なベンチマークを確立する必要がある。
グラフ学習は、より高速なベンチマークを必要とする機械学習の新興分野である。
このニーズに対応するために,グラフ学習のためのベンチマークキュレーションプラットフォームであるgraph learning indexer(gli)を紹介する。
既存のグラフ学習ベンチマークライブラリと比較して、gliは2つの新しい設計目標を強調している。
まず GLI は \emph{dataset コントリビュータにインセンティブを与えるように設計されている。
特に、データセットのコントリビューションとメンテナンスの労力を最小限に抑え、コントリビューションされたデータセットのユーザビリティを高め、データセットのさまざまなコントリビュータへの貢献を促進するために、さまざまな手段を取り入れています。
第2に、GLIは、ベンチマークデータセットの単純なコレクションではなく、知識ベースをキュレートするように設計されている。
複数のメタ情報ソースを使用してベンチマークデータセットを \emph{rich characteristics} で拡張し、下流の研究や開発で容易に選択および使用できるようにします。
GLIのソースコードは \url{https://github.com/Graph-Learning-Benchmarks/gli} で公開されている。
関連論文リスト
- Continual Learning on Graphs: Challenges, Solutions, and Opportunities [72.7886669278433]
本稿では,既存の連続グラフ学習(CGL)アルゴリズムの総合的なレビューを行う。
従来の連続学習手法と比較し,従来の連続学習手法の適用性を分析した。
アクセス可能なアルゴリズムの包括的なリストを含む、最新のリポジトリを維持します。
論文 参考訳(メタデータ) (2024-02-18T12:24:45Z) - Large Language Models on Graphs: A Comprehensive Survey [81.7684686396014]
グラフ上の大規模言語モデルに関連するシナリオとテクニックを体系的にレビューする。
まず,LLMをグラフに適用する可能性シナリオを,純グラフ,テキスト分散グラフ,テキストペアグラフの3つのカテゴリにまとめる。
本稿では,そのような手法の現実的な応用について論じ,オープンソースコードとベンチマークデータセットを要約する。
論文 参考訳(メタデータ) (2023-12-05T14:14:27Z) - GraphGPT: Graph Instruction Tuning for Large Language Models [28.20142151965313]
本稿では,大規模言語モデルとグラフ構造知識を整合させるGraphGPTフレームワークを提案する。
また,ライトウェイトなグラフテキストアライメントプロジェクタを伴って,2段階の命令チューニングパラダイムを提案する。
本フレームワークは,教師付きおよびゼロショットグラフ学習タスクで評価され,より優れた一般化と最先端のベースラインを実現している。
論文 参考訳(メタデータ) (2023-10-19T06:17:46Z) - SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。
まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。
次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
論文 参考訳(メタデータ) (2023-08-03T07:00:04Z) - Curriculum Graph Machine Learning: A Survey [51.89783017927647]
カリキュラムグラフ機械学習(Graph CL)は、グラフ機械学習とカリキュラム学習の強みを統合する。
本稿では,グラフCLのアプローチを概観し,最近の研究動向を概観する。
論文 参考訳(メタデータ) (2023-02-06T16:59:25Z) - A Framework for Large Scale Synthetic Graph Dataset Generation [2.248608623448951]
この研究は、データセットをプロダクションサイズのグラフにスケールするスケーラブルな合成グラフ生成ツールを提案する。
このツールは、研究者にリリース可能なプロプライエタリなデータセットから、一連のパラメトリックモデルを学ぶ。
一連のデータセットにまたがるフレームワークの一般化可能性を示す。
論文 参考訳(メタデータ) (2022-10-04T22:41:33Z) - Graph Few-shot Class-incremental Learning [25.94168397283495]
新しいクラスを段階的に学習する能力は、すべての現実世界の人工知能システムにとって不可欠である。
本稿では,グラフFCL(Graph Few-shot Class-incremental)問題について検討する。
基本クラスから繰り返しタスクをサンプリングすることでグラフ擬似インクリメンタルラーニングパラダイムを提案する。
本稿では,タスクレベルの注意とノードクラスのプロトタイプから計算したタスク依存型正規化器について述べる。
論文 参考訳(メタデータ) (2021-12-23T19:46:07Z) - Graph Contrastive Learning Automated [94.41860307845812]
グラフコントラスト学習(GraphCL)は、有望な表現学習性能とともに登場した。
GraphCLのヒンジがアドホックなデータ拡張に与える影響は、データセット毎に手動で選択する必要がある。
本稿では,グラフデータ上でGraphCLを実行する際に,データ拡張を自動的に,適応的に動的に選択する統合バイレベル最適化フレームワークを提案する。
論文 参考訳(メタデータ) (2021-06-10T16:35:27Z) - DIG: A Turnkey Library for Diving into Graph Deep Learning Research [39.58666190541479]
DIG: Dive into Graphsは研究指向のライブラリで、いくつかの高度なタスクで共通のグラフ深層学習アルゴリズムを統合および統合しています。
それぞれの方向に対して、データインターフェース、共通アルゴリズム、評価メトリクスの統合実装を提供します。
論文 参考訳(メタデータ) (2021-03-23T15:05:10Z) - Open Graph Benchmark: Datasets for Machine Learning on Graphs [86.96887552203479]
スケーラブルで堅牢で再現可能なグラフ機械学習(ML)の研究を容易にするために,Open Graph Benchmark(OGB)を提案する。
OGBデータセットは大規模で、複数の重要なグラフMLタスクを含み、さまざまなドメインをカバーする。
各データセットに対して,有意義なアプリケーション固有のデータ分割と評価指標を用いた統一評価プロトコルを提供する。
論文 参考訳(メタデータ) (2020-05-02T03:09:50Z)
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。