論文の概要: GANN: Graph Alignment Neural Network for Semi-Supervised Learning

• arxiv url: http://arxiv.org/abs/2303.07778v1
• Date: Tue, 14 Mar 2023 10:39:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-15 15:29:46.201634
• Title: GANN: Graph Alignment Neural Network for Semi-Supervised Learning
• Title（参考訳）: GANN:半教師付き学習のためのグラフアライメントニューラルネットワーク
• Authors: Linxuan Song and Wenxuan Tu and Sihang Zhou and Xinwang Liu and En Zhu
• Abstract要約: 本稿では,グラフアライメントニューラルネットワーク(GANN)を提案する。 3つのアライメントルールを持つユニークな学習アルゴリズムが提案され、不十分なラベルに対して隠れた情報を徹底的に探索する。 GANNは、半教師付きノード分類と最先端の競合でかなりの利益を得ることができる。
• 参考スコア（独自算出の注目度）: 46.41067148006452
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph neural networks (GNNs) have been widely investigated in the field of semi-supervised graph machine learning. Most methods fail to exploit adequate graph information when labeled data is limited, leading to the problem of oversmoothing. To overcome this issue, we propose the Graph Alignment Neural Network (GANN), a simple and effective graph neural architecture. A unique learning algorithm with three alignment rules is proposed to thoroughly explore hidden information for insufficient labels. Firstly, to better investigate attribute specifics, we suggest the feature alignment rule to align the inner product of both the attribute and embedding matrices. Secondly, to properly utilize the higher-order neighbor information, we propose the cluster center alignment rule, which involves aligning the inner product of the cluster center matrix with the unit matrix. Finally, to get reliable prediction results with few labels, we establish the minimum entropy alignment rule by lining up the prediction probability matrix with its sharpened result. Extensive studies on graph benchmark datasets demonstrate that GANN can achieve considerable benefits in semi-supervised node classification and outperform state-of-the-art competitors.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、半教師付きグラフ機械学習の分野で広く研究されている。 ラベル付きデータが制限されている場合、ほとんどのメソッドは適切なグラフ情報を利用することができず、過度なスムース化の問題につながる。 この問題を解決するために,グラフアライメントニューラルネットワーク(GANN, Graph Alignment Neural Network)を提案する。 3つのアライメントルールを持つユニークな学習アルゴリズムが提案され、不十分なラベルに対して隠れた情報を徹底的に探索する。 まず、属性特異性をよりよく調査するために、属性と埋め込み行列の両方の内部積を整列する特徴アライメントルールを提案する。 次に,高次隣接情報を適切に活用するために,クラスタ中心行列の内積を単位行列にアライメントするクラスタ中心アライメント規則を提案する。 最後に、ラベルの少ない信頼性予測結果を得るために、予測確率行列をそのシャープな結果で並べることにより、最小エントロピーアライメントルールを確立する。 グラフベンチマークデータセットに関する大規模な研究は、GANNが半教師付きノードの分類と最先端の競合においてかなりの利益を得られることを示した。

関連論文リスト

• Flip Initial Features: Generalization of Neural Networks for Semi-supervised Node Classification [1.3190581566723918]
  グラフニューラルネットワーク(GNN)は、半教師付き設定下で広く利用されている。 本稿では,GNNにおけるオーバーフィッティング問題に対処するための新しい戦略を提案する。 提案手法はノード分類精度を最大40.2%向上させる。
  論文  参考訳（メタデータ） (2022-11-28T05:54:24Z)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• Graph Attention Retrospective [14.52271219759284]
  グラフベースの学習は、ソーシャルネットワーク、引用ネットワーク、バイオインフォマティクスに応用された機械学習の急速に成長するサブフィールドである。 最も一般的なモデルの1つはグラフアテンションネットワークである。 本稿では,このグラフ注意ネットワークの振る舞いを理論的に検討する。 本研究では,文脈ブロックモデルにおけるノード分類問題に対するグラフアテンション機構の性能に関する複数の結果を示す。
  論文  参考訳（メタデータ） (2022-02-26T04:58:36Z)
• Adaptive Kernel Graph Neural Network [21.863238974404474]
  グラフニューラルネットワーク(GNN)は,グラフ構造化データの表現学習において大きな成功を収めている。 本稿では,AKGNN(Adaptive Kernel Graph Neural Network)という新しいフレームワークを提案する。 AKGNNは、最初の試みで最適なグラフカーネルに統一的に適応することを学ぶ。 評価されたベンチマークデータセットで実験を行い、提案したAKGNNの優れた性能を示す有望な結果を得た。
  論文  参考訳（メタデータ） (2021-12-08T20:23:58Z)
• Imbalanced Graph Classification via Graph-of-Graph Neural Networks [16.589373163769853]
  グラフニューラルネットワーク(GNN)は、グラフの分類ラベルを識別するグラフ表現の学習において、前例のない成功を収めている。 本稿では,グラフ不均衡問題を軽減する新しいフレームワークであるグラフ・オブ・グラフニューラルネットワーク(G$2$GNN)を提案する。 提案したG$2$GNNは,F1-macroとF1-microのスコアにおいて,多くのベースラインを約5%上回る性能を示した。
  論文  参考訳（メタデータ） (2021-12-01T02:25:47Z)
• GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
  GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。 具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。 エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
  論文  参考訳（メタデータ） (2021-06-05T07:07:52Z)
• Higher-Order Attribute-Enhancing Heterogeneous Graph Neural Networks [67.25782890241496]
  異種ネットワーク表現学習のための高次属性強化グラフニューラルネットワーク(HAEGNN)を提案する。 HAEGNNは、リッチで異質なセマンティクスのためのメタパスとメタグラフを同時に組み込む。 ノード分類、ノードクラスタリング、可視化における最先端の手法よりも優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2021-04-16T04:56:38Z)
• A Unified Lottery Ticket Hypothesis for Graph Neural Networks [82.31087406264437]
  本稿では,グラフ隣接行列とモデルの重み付けを同時に行う統一GNNスペーシフィケーション(UGS)フレームワークを提案する。 グラフ宝くじ(GLT)をコアサブデータセットとスパースサブネットワークのペアとして定義することにより、人気のある宝くじチケット仮説を初めてGNNsにさらに一般化します。
  論文  参考訳（メタデータ） (2021-02-12T21:52:43Z)
• CAGNN: Cluster-Aware Graph Neural Networks for Unsupervised Graph Representation Learning [19.432449825536423]
  教師なしグラフ表現学習は、教師なしの低次元ノード埋め込みを学習することを目的としている。 本稿では、自己教師付き手法を用いた教師なしグラフ表現学習のための新しいクラスタ対応グラフニューラルネットワーク(CAGNN)モデルを提案する。
  論文  参考訳（メタデータ） (2020-09-03T13:57:18Z)
• Heuristic Semi-Supervised Learning for Graph Generation Inspired by Electoral College [80.67842220664231]
  本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。 テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2020-06-10T14:48:48Z)

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。