論文の概要: Introducing Expertise Logic into Graph Representation Learning from A Causal Perspective

• arxiv url: http://arxiv.org/abs/2301.08496v2
• Date: Wed, 24 May 2023 03:22:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-26 02:22:11.110121
• Title: Introducing Expertise Logic into Graph Representation Learning from A Causal Perspective
• Title（参考訳）: 因果的視点から見たグラフ表現学習へのエキスパート論理の導入
• Authors: Hang Gao, Jiangmeng Li, Wenwen Qiang, Lingyu Si, Xingzhe Su, Fengge Wu, Changwen Zheng, Fuchun Sun
• Abstract要約: 人的知識をGNNモデルに組み込む新しいグラフ表現学習法を提案する。 提案手法は、GNNモデルが人間の専門家が保持する専門知識を取得するだけでなく、データセットからエンドツーエンドの学習を行うことを可能にする。
• 参考スコア（独自算出の注目度）: 19.6045119188211
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Benefiting from the injection of human prior knowledge, graphs, as derived discrete data, are semantically dense so that models can efficiently learn the semantic information from such data. Accordingly, graph neural networks (GNNs) indeed achieve impressive success in various fields. Revisiting the GNN learning paradigms, we discover that the relationship between human expertise and the knowledge modeled by GNNs still confuses researchers. To this end, we introduce motivating experiments and derive an empirical observation that the GNNs gradually learn human expertise in general domains. By further observing the ramifications of introducing expertise logic into graph representation learning, we conclude that leading the GNNs to learn human expertise can improve the model performance. Hence, we propose a novel graph representation learning method to incorporate human expert knowledge into GNN models. The proposed method ensures that the GNN model can not only acquire the expertise held by human experts but also engage in end-to-end learning from datasets. Plentiful experiments on the crafted and real-world domains support the consistent effectiveness of the proposed method.
• Abstract（参考訳）: 人間の先行知識の注入から得られるグラフは、派生した離散データとして意味的に密接なものであり、モデルがそのようなデータから意味情報を効率的に学習できるようにする。 したがって、グラフニューラルネットワーク(GNN)は、様々な分野で顕著な成功を収めている。 GNNの学習パラダイムを再考すると、人間の専門知識とGNNがモデル化した知識の関係が研究者を混乱させ続けていることが分かる。 この目的のために、我々はモチベーション実験を導入し、GNNが一般分野における人間の専門知識を徐々に習得する経験的観察を導出する。 グラフ表現学習に専門知識ロジックを導入することの意義を更に観察することにより、GNNを人的知識の習得に導くことは、モデルの性能を向上させることができると結論付けている。 そこで我々は,人間の知識をGNNモデルに組み込む新しいグラフ表現学習法を提案する。 提案手法は、GNNモデルが人間の専門家が保持する専門知識を取得するだけでなく、データセットからエンドツーエンドの学習を行うことを可能にする。 工芸及び実世界の領域に関する多くの実験が提案手法の一貫性のある有効性を支持している。

関連論文リスト

• Stealing Training Graphs from Graph Neural Networks [54.52392250297907]
  グラフニューラルネットワーク(GNN)は、様々なタスクにおけるグラフのモデリングにおいて有望な結果を示している。 ニューラルネットワークがトレーニングサンプルを記憶できるため、GNNのモデルパラメータはプライベートトレーニングデータをリークするリスクが高い。 訓練されたGNNからグラフを盗むという新しい問題について検討する。
  論文  参考訳（メタデータ） (2024-11-17T23:15:36Z)
• Rethinking Causal Relationships Learning in Graph Neural Networks [24.7962807148905]
  本稿では,GNNの因果学習能力を高めるために,軽量で適応可能なGNNモジュールを提案する。 提案モジュールの有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2023-12-15T08:54:32Z)
• Exploring Causal Learning through Graph Neural Networks: An In-depth Review [12.936700685252145]
  因果関係の研究に用いられている様々な最先端のGNN手法を包含する新しい分類法を提案する。 GNNは、その因果領域における応用に基づいてさらに分類される。 このレビューは、多様な分野にわたる因果学習の適用にも触れている。
  論文  参考訳（メタデータ） (2023-11-25T10:46:06Z)
• Label Deconvolution for Node Representation Learning on Large-scale Attributed Graphs against Learning Bias [75.44877675117749]
  本稿では,GNNの逆写像に対する新しい,スケーラブルな近似による学習バイアスを軽減するために,ラベルの効率的な正規化手法,すなわちラベルのデコンボリューション(LD)を提案する。 実験では、LDはOpen Graphデータセットのベンチマークで最先端のメソッドを大幅に上回っている。
  論文  参考訳（メタデータ） (2023-09-26T13:09:43Z)
• Information Flow in Graph Neural Networks: A Clinical Triage Use Case [49.86931948849343]
  グラフニューラルネットワーク(GNN)は、マルチモーダルグラフとマルチリレーショナルグラフを処理する能力によって、医療やその他の領域で人気を集めている。 GNNにおける埋め込み情報のフローが知識グラフ(KG)におけるリンクの予測に与える影響について検討する。 以上の結果から,ドメイン知識をGNN接続に組み込むことで,KGと同じ接続を使用する場合や,制約のない埋め込み伝搬を行う場合よりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-09-12T09:18:12Z)
• A Survey on Explainability of Graph Neural Networks [4.612101932762187]
  グラフニューラルネットワーク(GNN)は、グラフベースの強力なディープラーニングモデルである。 本調査は,GNNの既存の説明可能性技術の概要を概観することを目的としている。
  論文  参考訳（メタデータ） (2023-06-02T23:36:49Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• Data-Free Adversarial Knowledge Distillation for Graph Neural Networks [62.71646916191515]
  グラフ構造化データ(DFAD-GNN)を用いたデータフリー逆知識蒸留のための第1のエンドツーエンドフレームワークを提案する。 具体的には、DFAD-GNNは、教師モデルと学生モデルとを2つの識別器とみなし、教師モデルから学生モデルに知識を抽出するために学習グラフを導出するジェネレータという、主に3つの成分からなる生成的対向ネットワークを採用している。 我々のDFAD-GNNは、グラフ分類タスクにおける最先端のデータフリーベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2022-05-08T08:19:40Z)
• Investigating Transfer Learning in Graph Neural Networks [2.320417845168326]
  グラフニューラルネットワーク(GNN)は、グラフ空間で使用するように拡張することで、ディープラーニングモデルの成功に基づいて構築される。 トランスファーラーニングは、従来のディープラーニング問題に対して非常に成功している。 本研究は,トランスファーラーニングがGNNに有効であることを示し,ソースタスクとGNNの選択が一般化可能な知識を学習する能力にどのように影響するかを説明する。
  論文  参考訳（メタデータ） (2022-02-01T20:33:15Z)
• XGNN: Towards Model-Level Explanations of Graph Neural Networks [113.51160387804484]
  グラフニューラルネットワーク(GNN)は、隣の情報を集約して組み合わせることでノードの特徴を学習する。 GNNはブラックボックスとして扱われ、人間の知的な説明が欠けている。 我々はモデルレベルでGNNを解釈する新しい手法 XGNN を提案する。
  論文  参考訳（メタデータ） (2020-06-03T23:52:43Z)

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。