Fugu-MT 論文翻訳(概要): Towards Open Temporal Graph Neural Networks

論文の概要: Towards Open Temporal Graph Neural Networks

arxiv url: http://arxiv.org/abs/2303.15015v2
Date: Thu, 25 May 2023 15:01:11 GMT
ステータス: 処理完了
システム内更新日: 2023-05-26 20:38:18.642330
Title: Towards Open Temporal Graph Neural Networks
Title（参考訳）: Open Temporal Graph Neural Networksに向けて
Authors: Kaituo Feng, Changsheng Li, Xiaolu Zhang, Jun Zhou
Abstract要約: 本稿では,OTGNetと呼ばれるオープン時間グラフに対する汎用的,原則的学習手法を提案する。ノードの知識は、クラス関連とクラス非依存に切り離すことができると仮定する。また,重要な部分グラフ構造と多様な部分グラフ構造を効果的に選択するための戦略を考案した。
参考スコア（独自算出の注目度）: 25.954904760576927
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Graph neural networks (GNNs) for temporal graphs have recently attracted increasing attentions, where a common assumption is that the class set for nodes is closed. However, in real-world scenarios, it often faces the open set problem with the dynamically increased class set as the time passes by. This will bring two big challenges to the existing dynamic GNN methods: (i) How to dynamically propagate appropriate information in an open temporal graph, where new class nodes are often linked to old class nodes. This case will lead to a sharp contradiction. This is because typical GNNs are prone to make the embeddings of connected nodes become similar, while we expect the embeddings of these two interactive nodes to be distinguishable since they belong to different classes. (ii) How to avoid catastrophic knowledge forgetting over old classes when learning new classes occurred in temporal graphs. In this paper, we propose a general and principled learning approach for open temporal graphs, called OTGNet, with the goal of addressing the above two challenges. We assume the knowledge of a node can be disentangled into class-relevant and class-agnostic one, and thus explore a new message passing mechanism by extending the information bottleneck principle to only propagate class-agnostic knowledge between nodes of different classes, avoiding aggregating conflictive information. Moreover, we devise a strategy to select both important and diverse triad sub-graph structures for effective class-incremental learning. Extensive experiments on three real-world datasets of different domains demonstrate the superiority of our method, compared to the baselines.
Abstract（参考訳）: 時間グラフのためのグラフニューラルネットワーク(GNN)は近年注目を集めており、ノードのクラスセットが閉じているという仮定が一般的である。しかし、実世界のシナリオでは、時間経過とともに動的に増加するクラスセットで開集合問題に直面することが多い。これは、既存の動的GNNメソッドに2つの大きな課題をもたらす。 i) 新しいクラスノードが古いクラスノードにリンクされることの多いオープン時間グラフにおいて、適切な情報を動的に伝播する方法。この事件は激しい矛盾につながるだろう。これは、通常のGNNが接続ノードの埋め込みを類似させる傾向があるためであり、これらの2つの対話ノードの埋め込みは異なるクラスに属するため、区別可能であることを期待する。 (II)時間グラフで新しいクラスを学習する際に古いクラスを忘れる破滅的な知識を避ける方法。本稿では,この2つの課題に対処する目的で,OTGNetと呼ばれるオープン時間グラフに対する汎用的,原則的学習手法を提案する。ノードの知識をクラス関連とクラス非依存に分割できると仮定し、情報ボトルネックの原理を拡張して、異なるクラスのノード間でクラス非依存の知識を伝播させ、矛盾する情報を集約しないようにすることで、新しいメッセージパッシングメカニズムを探求する。さらに,効果的なクラスインクリメンタル学習のために,重要かつ多様な3adサブグラフ構造を選択する戦略を考案する。異なる領域の3つの実世界のデータセットを広範囲に実験した結果,本手法がベースラインよりも優れていることが示された。

関連論文リスト

Graph as a feature: improving node classification with non-neural graph-aware logistic regression [2.952177779219163]
Graph-aware Logistic Regression (GLR) はノード分類タスク用に設計された非神経モデルである。 GNNにアクセスできる情報のごく一部しか使わない従来のグラフアルゴリズムとは異なり、提案モデルではノードの特徴とエンティティ間の関係を同時に活用する。
論文参考訳（メタデータ） (2024-11-19T08:32:14Z)
Inductive Graph Few-shot Class Incremental Learning [34.19083477893245]
本稿では,新しいノードを持つ新しいクラスを継続的に学習するインダクティブGFSCILを提案する。トランスダクティブGFSCILと比較して、インダクティブ設定は、アクセス不能な先行データにより破滅的忘れを悪化させる。そこで我々はTopology-based class Augmentation and Prototype calibrationと呼ばれる新しい手法を提案する。
論文参考訳（メタデータ） (2024-11-11T00:06:20Z)
Contrastive Graph Representation Learning with Adversarial Cross-view Reconstruction and Information Bottleneck [5.707725771108279]
本稿では,CGRL (Contrastive Graph Representation Learning with Adversarial Cross-view Reconstruction and Information Bottleneck) を用いたノード分類手法を提案する。提案手法は既存の最先端アルゴリズムを著しく上回っている。
論文参考訳（メタデータ） (2024-08-01T05:45:21Z)
Federated Graph Semantic and Structural Learning [54.97668931176513]
本稿では,ノードレベルのセマンティクスとグラフレベルの構造の両方によって局所的なクライアントの歪みがもたらされることを示す。構造的グラフニューラルネットワークは、固有の隣接関係のため、隣人に類似性を持っていると仮定する。我々は、隣接関係を類似度分布に変換し、グローバルモデルを利用して関係知識を局所モデルに蒸留する。
論文参考訳（メタデータ） (2024-06-27T07:08:28Z)
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)
Contrastive Meta-Learning for Few-shot Node Classification [54.36506013228169]
少ないショットノード分類は、限定されたラベル付きノードのみを参照としてグラフ上のノードのラベルを予測することを目的としている。グラフ上にCOSMICという新しい対照的なメタラーニングフレームワークを2つの重要な設計で作成する。
論文参考訳（メタデータ） (2023-06-27T02:22:45Z)
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)
Robust Knowledge Adaptation for Dynamic Graph Neural Networks [61.8505228728726]
動的グラフニューラルネットワークのための強化学習による堅牢な知識適応フレームワークであるAda-DyGNNを提案する。我々のアプローチは、強化学習による堅牢な知識適応を探求する最初の試みである。 3つのベンチマークデータセットの実験は、Ada-DyGNNが最先端のパフォーマンスを達成することを示した。
論文参考訳（メタデータ） (2022-07-22T02:06:53Z)
Graph Neural Network with Curriculum Learning for Imbalanced Node Classification [21.085314408929058]
グラフニューラルネットワーク(GNN)は,ノード分類などのグラフベースの学習タスクの新興技術である。本研究では,ノードラベルの不均衡に対するGNNの脆弱性を明らかにする。本稿では,2つのモジュールからなるカリキュラム学習(GNN-CL)を備えたグラフニューラルネットワークフレームワークを提案する。
論文参考訳（メタデータ） (2022-02-05T10:46:11Z)
Node2Seq: Towards Trainable Convolutions in Graph Neural Networks [59.378148590027735]
今回提案するグラフネットワーク層であるNode2Seqは,隣接ノードの重みを明示的に調整可能なノード埋め込みを学習する。対象ノードに対して,当手法は注意メカニズムを介して隣接ノードをソートし,さらに1D畳み込みニューラルネットワーク(CNN)を用いて情報集約のための明示的な重み付けを行う。また, 特徴学習のための非局所的情報を, 注意スコアに基づいて適応的に組み込むことを提案する。
論文参考訳（メタデータ） (2021-01-06T03:05:37Z)

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。