論文の概要: Few-shot Node Classification with Extremely Weak Supervision
- arxiv url: http://arxiv.org/abs/2301.02708v1
- Date: Fri, 6 Jan 2023 20:40:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 15:57:19.426330
- Title: Few-shot Node Classification with Extremely Weak Supervision
- Title(参考訳): 極弱スーパービジョンを用いた少数ショットノード分類
- Authors: Song Wang, Yushun Dong, Kaize Ding, Chen Chen, Jundong Li
- Abstract要約: 少ないショットノード分類は、ラベル付きノードを参照として限定したノードを分類することを目的としている。
最近の数発のノード分類法は、多くのラベル付きノードを持つクラスから学習するのが一般的である。
通常、多くのクラスに対して豊富なラベル付きノードを得ることは困難である。
- 参考スコア(独自算出の注目度): 39.54361983108562
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Few-shot node classification aims at classifying nodes with limited labeled
nodes as references.
Recent few-shot node classification methods typically learn from classes with
abundant labeled nodes (i.e., meta-training classes) and then generalize to
classes with limited labeled nodes (i.e., meta-test classes). Nevertheless, on
real-world graphs, it is usually difficult to obtain abundant labeled nodes for
many classes. In practice, each meta-training class can only consist of several
labeled nodes, known as the extremely weak supervision problem. In few-shot
node classification, with extremely limited labeled nodes for meta-training,
the generalization gap between meta-training and meta-test will become larger
and thus lead to suboptimal performance. To tackle this issue, we study a novel
problem of few-shot node classification with extremely weak supervision and
propose a principled framework X-FNC under the prevalent meta-learning
framework. Specifically, our goal is to accumulate meta-knowledge across
different meta-training tasks with extremely weak supervision and generalize
such knowledge to meta-test tasks. To address the challenges resulting from
extremely scarce labeled nodes, we propose two essential modules to obtain
pseudo-labeled nodes as extra references and effectively learn from extremely
limited supervision information. We further conduct extensive experiments on
four node classification datasets with extremely weak supervision to validate
the superiority of our framework compared to the state-of-the-art baselines.
- Abstract(参考訳): 数少ないノード分類は、限定されたラベル付きノードを参照として分類することを目的としている。
最近のマイナショットノード分類法は、ラベル付きノードが豊富なクラス(メタトレーニングクラス)から学び、制限されたラベル付きノード(メタテストクラス)に一般化する。
それでも実世界のグラフでは、多くのクラスで豊富なラベル付きノードを得るのは通常困難である。
実際には、各メタトレーニングクラスは、非常に弱い監督問題として知られる複数のラベル付きノードのみで構成されることができる。
メタトレーニングのためのラベル付きノードが極めて限られている数少ないノード分類では、メタトレーニングとメタテストの間の一般化ギャップが大きくなるため、サブ最適パフォーマンスが向上する。
この問題に取り組むために,極端に弱い監督を持つ少数ノード分類の新たな問題について検討し,広く普及しているメタラーニングフレームワークに基づく原理フレームワーク x-fnc を提案する。
具体的には,様々なメタ学習タスクにメタ知識を蓄積し,その知識をメタテストタスクに一般化することが目的である。
極端に少ないラベル付きノードから生じる課題に対処するため、擬似ラベル付きノードを追加参照として取得し、極めて限られた監視情報から効果的に学習する2つの必須モジュールを提案する。
さらに、4つのノード分類データセットについて、最先端のベースラインと比較してフレームワークの優位性を検証するために、極めて弱い監督力を持つ広範な実験を行った。
関連論文リスト
- KMF: Knowledge-Aware Multi-Faceted Representation Learning for Zero-Shot
Node Classification [75.95647590619929]
Zero-Shot Node Classification (ZNC)は、グラフデータ分析において、新しく重要なタスクである。
ラベルセマンティクスの豊かさを向上する知識認識型多面的フレームワーク(KMF)を提案する。
ノード情報集約によるプロトタイプドリフトの問題を軽減するために,新しい幾何学的制約を開発した。
論文 参考訳(メタデータ) (2023-08-15T02:38:08Z) - Contrastive Meta-Learning for Few-shot Node Classification [54.36506013228169]
少ないショットノード分類は、限定されたラベル付きノードのみを参照としてグラフ上のノードのラベルを予測することを目的としている。
グラフ上にCOSMICという新しい対照的なメタラーニングフレームワークを2つの重要な設計で作成する。
論文 参考訳(メタデータ) (2023-06-27T02:22:45Z) - Task-Equivariant Graph Few-shot Learning [7.78018583713337]
グラフニューラルネットワーク(GNN)は、少数ショットノード分類として知られる、限られた数のラベル付きノードでノードを分類できることが重要である。
本稿では,新しいアプローチであるタスク・平等グラフ数ショット学習(TEG)フレームワークを提案する。
我々のTEGフレームワークは、限られた数のトレーニングメタタスクを使用して、移行可能なタスク適応戦略を学習することを可能にする。
論文 参考訳(メタデータ) (2023-05-30T05:47:28Z) - Learning with Few Labeled Nodes via Augmented Graph Self-Training [36.97506256446519]
GST(Augmented Graph Self-Training)フレームワークは、分離されたGSTバックボーンの上に2つの新しい(構造的および意味的な)拡張モジュールで構築されている。
この新たなフレームワークが,ラベル付きノードを極端に限定した効率的なグラフ予測モデルを学習できるかどうかを検討する。
論文 参考訳(メタデータ) (2022-08-26T03:36:01Z) - Task-Adaptive Few-shot Node Classification [49.79924004684395]
数ショットの学習環境下でのタスク適応型ノード分類フレームワークを提案する。
具体的には,ラベル付きノードが豊富なクラスにメタ知識を蓄積する。
次に、提案したタスク適応モジュールを介して、ラベル付きノードが限定されたクラスにそのような知識を転送する。
論文 参考訳(メタデータ) (2022-06-23T20:48:27Z) - Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。
GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
論文 参考訳(メタデータ) (2020-06-23T04:13:23Z) - 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。