Fugu-MT 論文翻訳(概要): Diffusion Probabilistic Models for Structured Node Classification

論文の概要: Diffusion Probabilistic Models for Structured Node Classification

arxiv url: http://arxiv.org/abs/2302.10506v5
Date: Mon, 19 Jun 2023 03:49:15 GMT
ステータス: 処理完了
システム内更新日: 2023-06-21 11:21:21.201112
Title: Diffusion Probabilistic Models for Structured Node Classification
Title（参考訳）: 構造ノード分類のための拡散確率モデル
Authors: Hyosoon Jang, Seonghyun Park, Sangwoo Mo, Sungsoo Ahn
Abstract要約: 本稿では,ノードラベル間の依存関係を考慮したグラフ上のノード分類について検討する。構造ノード分類(DPM-SNC)における拡散確率モデルを利用した新しいフレームワークを提案する。我々は、部分ラベル付きグラフ上の帰納的設定だけでなく、帰納的設定や未ラベル付きグラフを含む様々なシナリオにおけるDPM-SNCの優位性を広く検証する。
参考スコア（独自算出の注目度）: 22.02390166559939
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper studies structured node classification on graphs, where the predictions should consider dependencies between the node labels. In particular, we focus on solving the problem for partially labeled graphs where it is essential to incorporate the information in the known label for predicting the unknown labels. To address this issue, we propose a novel framework leveraging the diffusion probabilistic model for structured node classification (DPM-SNC). At the heart of our framework is the extraordinary capability of DPM-SNC to (a) learn a joint distribution over the labels with an expressive reverse diffusion process and (b) make predictions conditioned on the known labels utilizing manifold-constrained sampling. Since the DPMs lack training algorithms for partially labeled data, we design a novel training algorithm to apply DPMs, maximizing a new variational lower bound. We also theoretically analyze how DPMs benefit node classification by enhancing the expressive power of GNNs based on proposing AGG-WL, which is strictly more powerful than the classic 1-WL test. We extensively verify the superiority of our DPM-SNC in diverse scenarios, which include not only the transductive setting on partially labeled graphs but also the inductive setting and unlabeled graphs.
Abstract（参考訳）: 本稿では,ノードラベル間の依存関係を考慮したグラフの構造化ノード分類について検討する。特に、未知のラベルを予測するために既知のラベルに情報を組み込むことが不可欠である部分ラベル付きグラフの問題を解決することに注力する。本稿では,構造化ノード分類(dpm-snc)のための拡散確率モデルを用いた新しい枠組みを提案する。私たちのフレームワークの中心は、DPM-SNCの素晴らしい能力です。 (a)表現力のある逆拡散過程でラベル上のジョイント分布を学習し、 (b) 多様体制約サンプリングを用いた既知のラベルの予測を行う。 DPMには部分ラベル付きデータのトレーニングアルゴリズムがないため、DPMを適用するための新しいトレーニングアルゴリズムを設計し、新しい変動下界を最大化する。また,従来の1-WLテストよりも厳格に強力なAGG-WLを提案することにより,GNNの表現力を高めることによりノード分類の利点を理論的に分析する。我々は、dpm-sncの優位性を、部分ラベル付きグラフのトランスダクティブ設定だけでなく、インダクティブ設定とラベルなしグラフを含む様々なシナリオで広範囲に検証した。

関連論文リスト

Degree Distribution based Spiking Graph Networks for Domain Adaptation [17.924123705983792]
Spiking Graph Networks (SGNs)は、グラフ分類におけるエネルギー消費の課題に対処する能力のために、研究者と業界双方から大きな注目を集めている。まず、SGNにおけるドメイン適応問題を提案し、Dgree-aware Spiking Graph Domain Adaptation for Classificationという新しいフレームワークを提案する。 The proposed DeSGDA address the spiking graph domain adapt problem by three aspects: node degree-aware Personal spiking representation, adversarial feature distribution alignment, pseudo-label distillation。
論文参考訳（メタデータ） (2024-10-09T13:45:54Z)
Deep Generative Models for Subgraph Prediction [10.56335881963895]
本稿では,深層グラフ学習のための新しい課題として,サブグラフクエリを提案する。サブグラフクエリは、観測されたサブグラフで表される証拠に基づいて、ターゲットサブグラフのコンポーネントを共同で予測する。我々は,確率論的深部グラフ生成モデルを用いて,サブグラフクエリに回答する。
論文参考訳（メタデータ） (2024-08-07T19:24:02Z)
Variational Graph Auto-Encoder Based Inductive Learning Method for Semi-Supervised Classification [10.497590357666114]
帰納的グラフ表現学習のための自己ラベル拡張VGAEモデルを提案する。学習にラベル情報を活用するため,本モデルではノードラベルをワンホット符号化入力とし,モデルトレーニングにおいてラベル再構成を行う。提案したモデルアーカイブは、セミ教師付き学習環境下でのノード分類において、特に優越する結果を約束する。
論文参考訳（メタデータ） (2024-03-26T08:59:37Z)
Distribution Consistency based Self-Training for Graph Neural Networks with Sparse Labels [33.89511660654271]
グラフニューラルネットワーク(GNN)のノード分類は重要な課題であるラベルなしデータの豊富さを活用するための、広く普及しているフレームワークとして、セルフトレーニングが登場した。本稿では,情報的かつ分散の相違を認識可能な疑似ラベル付きノードを識別する,新しい分散一貫性グラフ自己学習フレームワークを提案する。
論文参考訳（メタデータ） (2024-01-18T22:07:48Z)
ALEX: Towards Effective Graph Transfer Learning with Noisy Labels [11.115297917940829]
本稿では,グラフ伝達学習の課題に対処するため,バランスアライメントと情報認識試験(ALEX)と呼ばれる新しい手法を提案する。 ALEXはまず特異値分解を使用して、重要な構造的意味論を持つ異なるビューを生成し、堅牢なノード表現を提供する。この基礎の上に構築され、複雑なマルチモーダル分布の暗黙的な領域アライメントのために、対向領域判別器が組み込まれている。
論文参考訳（メタデータ） (2023-09-26T04:59:49Z)
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)
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)
Delving Deep into Label Smoothing [112.24527926373084]
ディープニューラルネットワーク(DNN)の効果的な正規化ツールとしてのラベル平滑化対象カテゴリのモデル予測の統計に基づいてソフトラベルを生成するオンラインラベル平滑化(OLS)戦略を提案する。
論文参考訳（メタデータ） (2020-11-25T08:03:11Z)
Cyclic Label Propagation for Graph Semi-supervised Learning [52.102251202186025]
本稿では,CycPropと呼ばれるグラフ半教師付き学習のための新しいフレームワークを提案する。 CycPropはGNNを周期的かつ相互に強化された方法でラベル伝播の過程に統合する。特に,提案するCycPropでは,GNNモジュールが学習したノード埋め込みをラベル伝搬による拡張情報で更新する。
論文参考訳（メタデータ） (2020-11-24T02:55:40Z)
On the Equivalence of Decoupled Graph Convolution Network and Label Propagation [60.34028546202372]
いくつかの研究は、カップリングがデカップリングよりも劣っていることを示している。有効性にもかかわらず、疎結合GCNの作用機構はよく理解されていない。本稿では,分離GCNの欠陥を克服する適応的学習法(PTA)を提案する。
論文参考訳（メタデータ） (2020-10-23T13:57:39Z)
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)

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。