論文の概要: How Graph Structure and Label Dependencies Contribute to Node
Classification in a Large Network of Documents
- arxiv url: http://arxiv.org/abs/2304.01235v2
- Date: Fri, 9 Feb 2024 15:22:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-12 21:04:56.408247
- Title: How Graph Structure and Label Dependencies Contribute to Node
Classification in a Large Network of Documents
- Title（参考訳）: 大規模文書ネットワークにおけるグラフ構造とラベル依存がノード分類にどのように寄与するか
- Authors: Pirmin Lemberger and Antoine Saillenfest
- Abstract要約: ウィキビタルス(WikiVitals)という新しいデータセットを導入する。
本研究の目的は, 半教師付きノード分類設定において, ラベル予測に対する3つの異なる情報源の貢献度を厳格に評価することである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce a new dataset named WikiVitals which contains a large graph of
48k mutually referred Wikipedia articles classified into 32 categories and
connected by 2.3M edges. Our aim is to rigorously evaluate the contributions of
three distinct sources of information to the label prediction in a
semi-supervised node classification setting, namely the content of the
articles, their connections with each other and the correlations among their
labels. We perform this evaluation using a Graph Markov Neural Network which
provides a theoretically principled model for this task and we conduct a
detailed evaluation of the contributions of each sources of information using a
clear separation of model selection and model assessment. One interesting
observation is that including the effect of label dependencies is more relevant
for sparse train sets than it is for dense train sets.
- Abstract（参考訳）: WikiVitalsという新しいデータセットを導入し、ウィキペディアの項目を32のカテゴリに分類し、2.3Mのエッジで接続する。
本研究の目的は,各項目の内容,相互関係,ラベル間の相関関係といった,半教師付きノード分類設定において,ラベル予測に対する3つの異なる情報源の貢献を厳格に評価することである。
我々は,この課題に対して理論的に原理化されたモデルを提供するグラフマルコフニューラルネットワークを用いてこの評価を行い,モデル選択とモデル評価を明確に分離し,各情報源の貢献度を詳細に評価する。
興味深い観察の1つは、ラベル依存の影響を含むことは、密度の高い列車集合よりもスパース列車集合に関係しているということである。
関連論文リスト
- 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 Disentangled Learning on Graph for Node Classification [11.678287036601564]
本稿では,グラフ上の非絡み合い学習のための新しいフレームワークを提案し,非絡み合いグラフエンコーダと2つの慎重に構築された自己超越信号を用いた。
具体的には、下層のセマンティック情報に対応する様々な潜伏要因を識別するために、フレームワークを強制する非絡み合いグラフエンコーダを導入する。
ラベルに大きく依存する2つの自己超越信号,すなわちノード特異性とチャネル独立性を克服し,ラベル付きデータを必要としない情報的知識を抽出する。
論文 参考訳（メタデータ） (2023-06-20T07:25:14Z) - TGNN: A Joint Semi-supervised Framework for Graph-level Classification [34.300070497510276]
我々は、ツイングラフニューラルネットワーク(TGNN)と呼ばれる新しい半教師付きフレームワークを提案する。
グラフ構造情報を補完的なビューから探索するために、TGNNにはメッセージパッシングモジュールとグラフカーネルモジュールがあります。
我々は,TGNNを様々な公開データセットで評価し,高い性能が得られることを示す。
論文 参考訳（メタデータ） (2023-04-23T15:42:11Z) - Dissimilar Nodes Improve Graph Active Learning [27.78519071553204]
能動学習のための3つの相似性に基づく情報スコア:特徴相似性スコア(FDS)、構造相似性スコア(SDS)、組込み相似性スコア(EDS)を紹介する。
新たに提案したスコアにより,分類精度が平均2.1%向上し,異なるグラフニューラルネットワークアーキテクチャへの一般化が可能となった。
論文 参考訳（メタデータ） (2022-12-05T01:00:37Z) - Association Graph Learning for Multi-Task Classification with Category
Shifts [68.58829338426712]
関連する分類タスクが同じラベル空間を共有し、同時に学習されるマルチタスク分類に焦点を当てる。
我々は、不足クラスのためのタスク間で知識を伝達する関連グラフを学習する。
我々の手法は代表的基準よりも一貫して性能が良い。
論文 参考訳（メタデータ） (2022-10-10T12:37:41Z) - PointMatch: A Consistency Training Framework for Weakly Supervised
Semantic Segmentation of 3D Point Clouds [117.77841399002666]
本稿では,データ自体から十分な情報を探索するために整合性正規化を適用することで,データとラベルの両面に立つ新しいフレームワークであるPointMatchを提案する。
提案したPointMatchは、ScanNet-v2データセットとS3DISデータセットの両方で、様々な弱い教師付きスキームの下で最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-02-22T07:26:31Z) - Cross-Domain Few-Shot Graph Classification [7.23389716633927]
本稿では,非等価な特徴空間を持つ領域間の数ショットグラフ分類の問題について検討する。
本稿では,3つの連続したグラフビュー,1つのコンテキストと2つのトポロジ的ビューを利用するアテンションベースグラフエンコーダを提案する。
提案するエンコーダは,メトリックベースのメタラーニングフレームワークと組み合わせることで,平均メタテストの分類精度が向上することを示す。
論文 参考訳（メタデータ） (2022-01-20T16:16:30Z) - SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。
まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。
次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。
最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
論文 参考訳（メタデータ） (2021-12-12T14:18:18Z) - Knowledge-Guided Multi-Label Few-Shot Learning for General Image
Recognition [75.44233392355711]
KGGRフレームワークは、ディープニューラルネットワークと統計ラベル相関の事前知識を利用する。
まず、統計ラベルの共起に基づいて異なるラベルを相関させる構造化知識グラフを構築する。
次に、ラベルセマンティクスを導入し、学習セマンティクス固有の特徴をガイドする。
グラフノードの相互作用を探索するためにグラフ伝搬ネットワークを利用する。
論文 参考訳（メタデータ） (2020-09-20T15:05:29Z) - Instance-Aware Graph Convolutional Network for Multi-Label
Classification [55.131166957803345]
グラフ畳み込みニューラルネットワーク(GCN)は、マルチラベル画像認識タスクを効果的に強化した。
マルチラベル分類のための事例対応グラフ畳み込みニューラルネットワーク(IA-GCN)フレームワークを提案する。
論文 参考訳（メタデータ） (2020-08-19T12:49:28Z)
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。