論文の概要: Self-supervised Guided Hypergraph Feature Propagation for Semi-supervised Classification with Missing Node Features

• arxiv url: http://arxiv.org/abs/2302.08250v1
• Date: Thu, 16 Feb 2023 12:13:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-17 13:58:02.017992
• Title: Self-supervised Guided Hypergraph Feature Propagation for Semi-supervised Classification with Missing Node Features
• Title（参考訳）: 欠損ノード特徴を用いた半教師付き分類のための自己教師付きガイド付きハイパーグラフ特徴伝播
• Authors: Chengxiang Lei, Sichao Fu, Yuetian Wang, Wenhao Qiu, Yachen Hu, Qinmu Peng and Xinge You
• Abstract要約: 自己教師付きガイド付きハイパーグラフ特徴伝搬(SGHFP)を提案する。 具体的には、機能ハイパーグラフは、情報を欠いたノード機能に基づいて最初に生成される。 そして、再構成されたノード特徴を2層GNNに供給し、擬似ラベルハイパーグラフを構築する。 大規模な実験により,提案したSGHFPは,既存の半教師付き分類よりもノードの特徴の欠如が優れていることが示された。
• 参考スコア（独自算出の注目度）: 9.684903457117917
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph neural networks (GNNs) with missing node features have recently received increasing interest. Such missing node features seriously hurt the performance of the existing GNNs. Some recent methods have been proposed to reconstruct the missing node features by the information propagation among nodes with known and unknown attributes. Although these methods have achieved superior performance, how to exactly exploit the complex data correlations among nodes to reconstruct missing node features is still a great challenge. To solve the above problem, we propose a self-supervised guided hypergraph feature propagation (SGHFP). Specifically, the feature hypergraph is first generated according to the node features with missing information. And then, the reconstructed node features produced by the previous iteration are fed to a two-layer GNNs to construct a pseudo-label hypergraph. Before each iteration, the constructed feature hypergraph and pseudo-label hypergraph are fused effectively, which can better preserve the higher-order data correlations among nodes. After then, we apply the fused hypergraph to the feature propagation for reconstructing missing features. Finally, the reconstructed node features by multi-iteration optimization are applied to the downstream semi-supervised classification task. Extensive experiments demonstrate that the proposed SGHFP outperforms the existing semi-supervised classification with missing node feature methods.
• Abstract（参考訳）: ノード機能に欠けるグラフニューラルネットワーク(GNN)が最近注目を集めている。 このようなノード機能は既存のGNNの性能を著しく損なう。 近年,未知の属性を持つノード間の情報伝達により,欠落ノードの特徴を再構築する手法が提案されている。 これらの手法は優れた性能を達成したが、ノード間の複雑なデータ相関を正確に利用して、欠落したノードの機能を再構築する方法は依然として大きな課題である。 この問題を解決するために,自己教師付きガイド付きハイパーグラフ特徴伝搬(SGHFP)を提案する。 具体的には、情報不足のノード機能に従って、最初に機能ハイパーグラフを生成する。 そして、前回の繰り返しによって生成された再構成ノード特徴を2層GNNに供給し、擬似ラベルハイパーグラフを構築する。 各イテレーションの前に構築された特徴ハイパーグラフと擬似ラベルハイパーグラフを効果的に融合させ、ノード間の高次データ相関をよりよく保存する。 その後,融合ハイパーグラフを特徴伝播に適用し,欠落した特徴を再構成する。 最後に,マルチイテレーション最適化による再構成ノードの特徴を下流半教師付き分類タスクに適用する。 大規模な実験により,提案したSGHFPは,既存の半教師付き分類よりもノードの特徴の欠如が優れていることが示された。

関連論文リスト

• GraphRARE: Reinforcement Learning Enhanced Graph Neural Network with Relative Entropy [21.553180564868306]
  GraphRAREはノード相対エントロピーと深層強化学習に基づいて構築されたフレームワークである。 革新的なノード相対エントロピーは、ノードペア間の相互情報を測定するために使用される。 グラフトポロジを最適化するために,深層強化学習に基づくアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-12-15T11:30:18Z)
• Enhanced Graph Neural Networks with Ego-Centric Spectral Subgraph Embeddings Augmentation [11.841882902141696]
  Ego-centric Spectral subGraph Embedding Augmentation (ESGEA) と呼ばれる新しいアプローチを提案する。 ESGEAは、特に情報が不足しているシナリオにおいて、ノード機能の強化と設計を目的としている。 ノード属性が利用できないソーシャルネットワークグラフ分類タスクにおいて,提案手法の評価を行った。
  論文  参考訳（メタデータ） (2023-10-10T14:57:29Z)
• From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
  パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。 次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。 提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
  論文  参考訳（メタデータ） (2023-06-16T04:40:59Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• Confidence-Based Feature Imputation for Graphs with Partially Known Features [11.96118246448543]
  本稿では,各チャネルの特徴に割り当てられるノードの特徴に対して,チャネルの信頼性という新しい概念を導入する。 そこで我々は,未知のノードと最も近い既知のノードとの間のチャネル幅の短い経路距離を用いて疑似信頼度を設計する。 疑似自信に基づいて,チャネルワイドなノード間拡散とノードワイドなチャネル間伝播を行う特徴計算手法を提案する。
  論文  参考訳（メタデータ） (2023-05-26T04:23:24Z)
• Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
  本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。 Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-05-18T07:27:18Z)
• Graph-adaptive Rectified Linear Unit for Graph Neural Networks [64.92221119723048]
  グラフニューラルネットワーク(GNN)は、従来の畳み込みを非ユークリッドデータでの学習に拡張することで、目覚ましい成功を収めた。 本稿では,周辺情報を利用した新しいパラメトリックアクティベーション機能であるグラフ適応整流線形ユニット(GRELU)を提案する。 我々は,GNNのバックボーンと様々な下流タスクによって,プラグアンドプレイGRELU法が効率的かつ効果的であることを示す包括的実験を行った。
  論文  参考訳（メタデータ） (2022-02-13T10:54:59Z)
• NCGNN: Node-level Capsule Graph Neural Network [45.23653314235767]
  ノードレベルカプセルグラフニューラルネットワーク(ncgnn)は、ノードをカプセル群として表現する。 凝集に適したカプセルを適応的に選択する新しい動的ルーティング手法を開発した。 NCGNNは、過度にスムースな問題に対処でき、分類のためのより良いノード埋め込みを生成することで、芸術の状態を上回ります。
  論文  参考訳（メタデータ） (2020-12-07T06:46:17Z)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)
• 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。