論文の概要: Towards Robust Inductive Graph Incremental Learning via Experience
Replay
- arxiv url: http://arxiv.org/abs/2302.03534v1
- Date: Tue, 7 Feb 2023 15:36:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-08 15:57:10.713848
- Title: Towards Robust Inductive Graph Incremental Learning via Experience
Replay
- Title(参考訳): 経験リプレイによるロバストインダクティブグラフインクリメンタル学習に向けて
- Authors: Junwei Su, Chuan Wu
- Abstract要約: 本稿では,SEA-ER(Structure-Aware-Evolution Experience Replay)と呼ばれる新しい体験再生フレームワークを提案する。
本フレームワークは,グラフの進化におけるノード予測問題のデータ依存性を,その有効性を支持する理論的保証とともに効果的に解決する。
提案するフレームワークは、いくつかのベンチマークデータセット上で、現在最先端のGNN体験の再生方法よりも優れていることを示す。
- 参考スコア(独自算出の注目度): 7.74661549181314
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Inductive node-wise graph incremental learning is a challenging task due to
the dynamic nature of evolving graphs and the dependencies between nodes. In
this paper, we propose a novel experience replay framework, called
Structure-Evolution-Aware Experience Replay (SEA-ER), that addresses these
challenges by leveraging the topological awareness of GNNs and importance
reweighting technique. Our framework effectively addresses the data dependency
of node prediction problems in evolving graphs, with a theoretical guarantee
that supports its effectiveness. Through empirical evaluation, we demonstrate
that our proposed framework outperforms the current state-of-the-art GNN
experience replay methods on several benchmark datasets, as measured by metrics
such as accuracy and forgetting.
- Abstract(参考訳): 帰納的グラフインクリメンタル学習は、進化するグラフの動的性質とノード間の依存関係のため、難しい課題である。
本稿では,gnnのトポロジカルな認識と重要度重み付け技術を活用することで,これらの課題に対処する新しい経験リプレイフレームワークであるstructure-evolution-aware experience replay(sea-er)を提案する。
本フレームワークは,グラフの進化におけるノード予測問題のデータ依存性を,その有効性を支持する理論的保証とともに効果的に解決する。
実験的な評価により,提案手法はいくつかのベンチマークデータセット上での現在最先端のGNN体験再生手法よりも優れており,精度や忘れなどの指標によって測定される。
関連論文リスト
- Learning How to Propagate Messages in Graph Neural Networks [55.2083896686782]
本稿では,グラフニューラルネットワーク(GNN)におけるメッセージ伝搬戦略の学習問題について検討する。
本稿では,GNNパラメータの最大類似度推定を支援するために,最適伝搬ステップを潜時変数として導入する。
提案フレームワークは,GNNにおけるメッセージのパーソナライズおよび解釈可能な伝達戦略を効果的に学習することができる。
論文 参考訳(メタデータ) (2023-10-01T15:09:59Z) - 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) - 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) - 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) - Meta Propagation Networks for Graph Few-shot Semi-supervised Learning [39.96930762034581]
本稿では,この問題を解決するために,メタ学習アルゴリズムを用いた新しいネットワークアーキテクチャを提案する。
基本的に,我々のMeta-PNフレームワークは,メタ学習ラベルの伝搬戦略を用いて,未ラベルノード上の高品質な擬似ラベルを推論する。
我々のアプローチは、様々なベンチマークデータセットの既存の技術と比較して、容易で実質的なパフォーマンス向上を提供する。
論文 参考訳(メタデータ) (2021-12-18T00:11:56Z) - Tackling Oversmoothing of GNNs with Contrastive Learning [35.88575306925201]
グラフニューラルネットワーク(GNN)は、グラフデータと表現学習能力の包括的な関係を統合する。
オーバースムーシングはノードの最終的な表現を識別不能にし、ノード分類とリンク予測性能を劣化させる。
本稿では,TGCL(Topology-Guided Graph Contrastive Layer)を提案する。
論文 参考訳(メタデータ) (2021-10-26T15:56:16Z) - Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。
いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。
本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文 参考訳(メタデータ) (2020-07-18T01:11:14Z) - Quantifying Challenges in the Application of Graph Representation
Learning [0.0]
私たちは、一般的な埋め込みアプローチのセットに対して、アプリケーション指向の視点を提供します。
実世界のグラフ特性に関する表現力を評価する。
GRLアプローチは現実のシナリオでは定義が困難であることが示唆された。
論文 参考訳(メタデータ) (2020-06-18T03:19:43Z) - Dynamic Knowledge embedding and tracing [18.717482292051788]
本稿では,行列分解の手法と最近のリカレントニューラルネットワーク(RNN)の進歩を組み合わせた知識追跡手法を提案する。
提案するemphDynEmbフレームワークは,概念やスキルのタグ情報を使わずに,学生の知識の追跡を可能にする。
論文 参考訳(メタデータ) (2020-05-18T21:56:42Z) - Overcoming Catastrophic Forgetting in Graph Neural Networks with
Experience Replay [16.913443823792022]
グラフニューラルネットワーク(GNN)は、最近、様々なグラフ関連学習タスクにおける優れたパフォーマンスのために、大きな研究の注目を集めている。
本研究では,GNNを連続学習タスクに適用できるかどうかを考察する。
論文 参考訳(メタデータ) (2020-03-22T14:29:53Z) - Graph Representation Learning via Graphical Mutual Information
Maximization [86.32278001019854]
本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。
我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
論文 参考訳(メタデータ) (2020-02-04T08:33:49Z)
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。