論文の概要: TopoImb: Toward Topology-level Imbalance in Learning from Graphs
- arxiv url: http://arxiv.org/abs/2212.08689v1
- Date: Fri, 16 Dec 2022 19:37:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-20 17:58:33.584302
- Title: TopoImb: Toward Topology-level Imbalance in Learning from Graphs
- Title（参考訳）: TopoImb: グラフからの学習におけるトポロジレベルの不均衡を目指して
- Authors: Tianxiang Zhao, Dongsheng Luo, Xiang Zhang, Suhang Wang
- Abstract要約: グラフに対して、不均衡はサブクラストポロジー群レベルに存在する可能性が高いと論じる。
この問題に対処するために、新しいフレームワーク手法と設計(トポロジ抽出器1は、明示的なメモリセルを持つ各インスタンスのトポロジグループを自動的に識別する)を提案する。
ノードレベルの分類とグラフレベルの分類の両方を対象タスクとして有効性を実証的に検証する。
- 参考スコア（独自算出の注目度）: 34.25952902469481
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph serves as a powerful tool for modeling data that has an underlying
structure in non-Euclidean space, by encoding relations as edges and entities
as nodes. Despite developments in learning from graph-structured data over the
years, one obstacle persists: graph imbalance. Although several attempts have
been made to target this problem, they are limited to considering only
class-level imbalance. In this work, we argue that for graphs, the imbalance is
likely to exist at the sub-class topology group level. Due to the flexibility
of topology structures, graphs could be highly diverse, and learning a
generalizable classification boundary would be difficult. Therefore, several
majority topology groups may dominate the learning process, rendering others
under-represented. To address this problem, we propose a new framework
{\method} and design (1 a topology extractor, which automatically identifies
the topology group for each instance with explicit memory cells, (2 a training
modulator, which modulates the learning process of the target GNN model to
prevent the case of topology-group-wise under-representation. {\method} can be
used as a key component in GNN models to improve their performances under the
data imbalance setting. Analyses on both topology-level imbalance and the
proposed {\method} are provided theoretically, and we empirically verify its
effectiveness with both node-level and graph-level classification as the target
tasks.
- Abstract（参考訳）: graphは、エッジとエンティティの関係をノードとしてエンコードすることで、非ユークリッド空間の基盤構造を持つデータをモデリングするための強力なツールとして機能する。
グラフ構造化データから何年にもわたって学ぶことの進歩にもかかわらず、一つの障害はグラフの不均衡である。
この問題を対象とする試みはいくつかあるが、クラスレベルの不均衡のみを考慮することに制限されている。
この研究では、グラフの場合、不均衡はサブクラストポロジー群レベルに存在する可能性が高いと論じている。
トポロジー構造の柔軟性のため、グラフは非常に多様であり、一般化可能な分類境界を学ぶことは困難である。
したがって、いくつかの大多数のトポロジ群が学習プロセスを支配し、他のグループは表現が不足している。
この問題に対処するために、新しいフレームワーク(トポロジ抽出器)と設計(トポロジ抽出器)を提案し、各インスタンスのトポロジ群を明示的なメモリセルで自動的に識別する(2)。
{\method}はGNNモデルのキーコンポーネントとして使用することができ、データ不均衡設定下でのパフォーマンスを改善することができる。
トポロジーレベルの不均衡と提案手法の両方の解析を理論的に提供し,対象タスクとしてノードレベルとグラフレベルの両方の分類の有効性を実証的に検証した。
関連論文リスト
- Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。
モデルはGCNを適用するために初期グラフを事前に推定する。
一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
論文 参考訳（メタデータ） (2024-02-25T07:03:37Z) - Homophily-enhanced Structure Learning for Graph Clustering [19.586401211161846]
グラフ構造学習は、欠落したリンクを追加し、スプリアス接続を取り除くことで、入力グラフの精細化を可能にする。
グラフ構造学習におけるこれまでの取り組みは、主に教師付き設定を中心に行われてきた。
グラフクラスタリングのためのtextbfhomophily-enhanced structure textbflearning という新しい手法を提案する。
論文 参考訳（メタデータ） (2023-08-10T02:53:30Z) - GraphGLOW: Universal and Generalizable Structure Learning for Graph
Neural Networks [72.01829954658889]
本稿では,この新たな問題設定の数学的定義を紹介する。
一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。
十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
論文 参考訳（メタデータ） (2023-06-20T03:33:22Z) - Position-aware Structure Learning for Graph Topology-imbalance by
Relieving Under-reaching and Over-squashing [67.83086131278904]
トポロジー不均衡は、ラベル付きノードの不均一なトポロジー位置によって引き起こされるグラフ固有の不均衡問題である。
PASTEL という新しい位置認識型グラフ構造学習フレームワークを提案する。
私たちの重要な洞察は、より監督的な情報を得るために、同じクラス内のノードの接続性を高めることです。
論文 参考訳（メタデータ） (2022-08-17T14:04:21Z) - 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) - Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。
具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
論文 参考訳（メタデータ） (2022-01-17T11:57:29Z) - Learning to Learn Graph Topologies [27.782971146122218]
ノードデータからグラフ構造へのマッピングを学習する(L2O)。
このモデルは、ノードデータとグラフサンプルのペアを使ってエンドツーエンドでトレーニングされる。
合成データと実世界のデータの両方の実験により、我々のモデルは、特定のトポロジ特性を持つグラフを学習する際の古典的反復アルゴリズムよりも効率的であることが示された。
論文 参考訳（メタデータ） (2021-10-19T08:42:38Z) - Structured Graph Learning for Clustering and Semi-supervised
Classification [74.35376212789132]
データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。
本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。
我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
論文 参考訳（メタデータ） (2020-08-31T08:41:20Z) - Self-Learning with Rectification Strategy for Human Parsing [73.06197841003048]
擬似ラベルの2つの典型的な誤りを補正する訓練可能なグラフ推論法を提案する。
再構成された特徴は、人体のトポロジー構造を表現する能力が強い。
本手法は、教師付き人間の解析作業において、他の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2020-04-17T03:51:30Z)
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。