論文の概要: Determinate Node Selection for Semi-supervised Classification Oriented
Graph Convolutional Networks
- arxiv url: http://arxiv.org/abs/2301.04381v1
- Date: Wed, 11 Jan 2023 10:02:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-12 14:21:40.683492
- Title: Determinate Node Selection for Semi-supervised Classification Oriented
Graph Convolutional Networks
- Title（参考訳）: 半教師付き分類指向グラフ畳み込みネットワークのノード選択
- Authors: Yao Xiao, Ji Xu, Jing Yang, Shaobo Li
- Abstract要約: 本稿では,ラベル付きノードを決定論的に選択する効率的な手法として,決定ノード選択(DNS)アルゴリズムを提案する。
DNSアルゴリズムは、典型的なノードと発散ノードの2つのカテゴリを識別する。
我々は, DNSアルゴリズムの導入により, モデルの平均精度が著しく向上し, 標準偏差が著しく低下することが実証された。
- 参考スコア（独自算出の注目度）: 21.086299227526684
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph Convolutional Networks (GCNs) have been proved successful in the field
of semi-supervised node classification by extracting structural information
from graph data. However, the random selection of labeled nodes used by GCNs
may lead to unstable generalization performance of GCNs. In this paper, we
propose an efficient method for the deterministic selection of labeled nodes:
the Determinate Node Selection (DNS) algorithm. The DNS algorithm identifies
two categories of representative nodes in the graph: typical nodes and
divergent nodes. These labeled nodes are selected by exploring the structure of
the graph and determining the ability of the nodes to represent the
distribution of data within the graph. The DNS algorithm can be applied quite
simply on a wide range of semi-supervised graph neural network models for node
classification tasks. Through extensive experimentation, we have demonstrated
that the incorporation of the DNS algorithm leads to a remarkable improvement
in the average accuracy of the model and a significant decrease in the standard
deviation, as compared to the original method.
- Abstract（参考訳）: グラフ畳み込みネットワーク(gcns)は、グラフデータから構造情報を抽出し、半教師付きノード分類の分野で成功している。
しかし、GCNが使用するラベル付きノードのランダムな選択は、GCNの不安定な一般化性能をもたらす可能性がある。
本稿では,ラベル付きノードを決定論的に選択する効率的な手法として,決定ノード選択(DNS)アルゴリズムを提案する。
DNSアルゴリズムは、典型的なノードと発散ノードの2つのカテゴリを識別する。
これらのラベル付きノードは、グラフの構造を探索し、グラフ内のデータの分布を表すノードの能力を決定することで選択される。
DNSアルゴリズムは、ノード分類タスクのための幅広い半教師付きグラフニューラルネットワークモデルに適用することができる。
実験により, DNSアルゴリズムの導入により, モデルの平均精度が著しく向上し, 標準偏差が大幅に低下することが実証された。
関連論文リスト
- Graph Convolutional Network For Semi-supervised Node Classification With Subgraph Sketching [0.27624021966289597]
本稿では,GLDGCNと呼ばれるグラフ学習型グラフ畳み込みニューラルネットワークを提案する。
半教師付きノード分類タスクにGLDGCNを適用する。
ベースライン手法と比較して,3つの引用ネットワークの分類精度が向上する。
論文 参考訳（メタデータ） (2024-04-19T09:08:12Z) - 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) - A Variational Edge Partition Model for Supervised Graph Representation
Learning [51.30365677476971]
本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。
それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。
エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-07T14:37:50Z) - Graph Neural Networks with Feature and Structure Aware Random Walk [7.143879014059894]
典型的な好適なグラフでは、エッジを指向する可能性があり、エッジをそのまま扱うか、あるいは単純に非指向にするかは、GNNモデルの性能に大きな影響を与える。
そこで我々は,グラフの方向性を適応的に学習するモデルを開発し,ノード間の長距離相関を生かした。
論文 参考訳（メタデータ） (2021-11-19T08:54:21Z) - Label-Consistency based Graph Neural Networks for Semi-supervised Node
Classification [47.753422069515366]
グラフニューラルネットワーク(GNN)は,グラフに基づく半教師付きノード分類において顕著な成功を収めている。
本稿では,GNNにおけるノードの受容領域を拡大するために,ノードペアが接続されていないが同一のラベルを持つラベル一貫性に基づくグラフニューラルネットワーク(LC-GNN)を提案する。
ベンチマークデータセットの実験では、LC-GNNはグラフベースの半教師付きノード分類において従来のGNNよりも優れていた。
論文 参考訳（メタデータ） (2020-07-27T11:17:46Z) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳（メタデータ） (2020-04-19T09:43:14Z) - 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) - Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。
本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。
このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
論文 参考訳（メタデータ） (2020-02-10T06:43:38Z) - 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。