論文の概要: Hyperbolic Geometric Graph Representation Learning for
Hierarchy-imbalance Node Classification
- arxiv url: http://arxiv.org/abs/2304.05059v1
- Date: Tue, 11 Apr 2023 08:38:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-12 15:51:11.771529
- Title: Hyperbolic Geometric Graph Representation Learning for
Hierarchy-imbalance Node Classification
- Title（参考訳）: 階層不均衡ノード分類のための双曲幾何グラフ表現学習
- Authors: Xingcheng Fu, Yuecen Wei, Qingyun Sun, Haonan Yuan, Jia Wu, Hao Peng
and Jianxin Li
- Abstract要約: 階層特性の異なるラベル付きノードのトレーニングは,ノード分類タスクに大きな影響を及ぼすことを示す。
本稿では,階層不均衡問題を軽減するために,HyperIMBAと呼ばれる新しい双曲型幾何学的階層不均衡学習フレームワークを提案する。
階層的不均衡ノード分類タスクに対するHyperIMBAの優れた有効性を示す実験結果である。
- 参考スコア（独自算出の注目度）: 30.56321501873245
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning unbiased node representations for imbalanced samples in the graph
has become a more remarkable and important topic. For the graph, a significant
challenge is that the topological properties of the nodes (e.g., locations,
roles) are unbalanced (topology-imbalance), other than the number of training
labeled nodes (quantity-imbalance). Existing studies on topology-imbalance
focus on the location or the local neighborhood structure of nodes, ignoring
the global underlying hierarchical properties of the graph, i.e., hierarchy. In
the real-world scenario, the hierarchical structure of graph data reveals
important topological properties of graphs and is relevant to a wide range of
applications. We find that training labeled nodes with different hierarchical
properties have a significant impact on the node classification tasks and
confirm it in our experiments. It is well known that hyperbolic geometry has a
unique advantage in representing the hierarchical structure of graphs.
Therefore, we attempt to explore the hierarchy-imbalance issue for node
classification of graph neural networks with a novelty perspective of
hyperbolic geometry, including its characteristics and causes. Then, we propose
a novel hyperbolic geometric hierarchy-imbalance learning framework, named
HyperIMBA, to alleviate the hierarchy-imbalance issue caused by uneven
hierarchy-levels and cross-hierarchy connectivity patterns of labeled
nodes.Extensive experimental results demonstrate the superior effectiveness of
HyperIMBA for hierarchy-imbalance node classification tasks.
- Abstract（参考訳）: グラフ内の不均衡なサンプルに対する偏りのないノード表現の学習は、より顕著で重要なトピックになっている。
グラフにとって、重要な課題は、ノードの位相的特性(例えば、位置、役割)が、ラベル付きノードのトレーニング数(量的不均衡)以外の非バランス(トポロジー不均衡)であることである。
トポロジー不均衡に関する既存の研究は、ノードの位置や局所的な近傍構造に注目し、グラフのグローバルな階層性、すなわち階層性を無視している。
実世界のシナリオでは、グラフデータの階層構造はグラフの重要な位相的性質を示し、幅広いアプリケーションに関連している。
階層特性の異なるラベル付きノードのトレーニングは,ノード分類タスクに大きな影響を与え,実験で確認する。
双曲幾何学はグラフの階層構造を表現する上で一意な利点を持つことはよく知られている。
そこで本研究では,グラフニューラルネットワークのノード分類における階層不均衡問題を,その特徴と原因を含む双曲幾何学の新しい視点で検討する。
そこで本稿では,階層レベルの不均一化やラベル付きノードの階層間接続パターンによる階層不均衡問題を軽減するために,HyperIMBAというハイパーボリックな幾何的階層不均衡学習フレームワークを提案する。
関連論文リスト
- What Improves the Generalization of Graph Transformers? A Theoretical Dive into the Self-attention and Positional Encoding [67.59552859593985]
自己アテンションと位置エンコーディングを組み込んだグラフトランスフォーマーは、さまざまなグラフ学習タスクのための強力なアーキテクチャとして登場した。
本稿では,半教師付き分類のための浅いグラフ変換器の理論的検討について紹介する。
論文 参考訳（メタデータ） (2024-06-04T05:30:16Z) - Recovering Missing Node Features with Local Structure-based Embeddings [34.79801041888119]
グラフの集合に対して、完全に欠落したノード機能を復元するフレームワークを提案する。
我々のアプローチは、グラフトポロジーと既存の結節値の両方からの事前情報を取り入れている。
論文 参考訳（メタデータ） (2023-09-16T18:23:14Z) - Addressing Heterophily in Node Classification with Graph Echo State
Networks [11.52174067809364]
ノード分類のためのグラフエコー状態ネットワーク(GESN)を用いた異種グラフの課題に対処する。
GESNはグラフのための貯水池計算モデルであり、ノードの埋め込みは訓練されていないメッセージパッシング関数によって計算される。
実験の結果, 貯水池モデルでは, ほぼ完全に訓練された深層モデルに対して, より優れた精度あるいは同等の精度が得られることがわかった。
論文 参考訳（メタデータ） (2023-05-14T19:42:31Z) - Position-aware Structure Learning for Graph Topology-imbalance by
Relieving Under-reaching and Over-squashing [67.83086131278904]
トポロジー不均衡は、ラベル付きノードの不均一なトポロジー位置によって引き起こされるグラフ固有の不均衡問題である。
PASTEL という新しい位置認識型グラフ構造学習フレームワークを提案する。
私たちの重要な洞察は、より監督的な情報を得るために、同じクラス内のノードの接続性を高めることです。
論文 参考訳（メタデータ） (2022-08-17T14:04:21Z) - Semi-Supervised Hierarchical Graph Classification [54.25165160435073]
ノードがグラフのインスタンスである階層グラフにおけるノード分類問題について検討する。
本稿では階層グラフ相互情報(HGMI)を提案し,理論的保証をもってHGMIを計算する方法を提案する。
本稿では,この階層グラフモデリングとSEAL-CI法がテキストおよびソーシャルネットワークデータに与える影響を実証する。
論文 参考訳（メタデータ） (2022-06-11T04:05:29Z) - Topology-Imbalance Learning for Semi-Supervised Node Classification [34.964665078512596]
グラフデータは、ラベル付きノードの非対称な位相特性から、ユニークな不均衡の源を明らかにする。
我々は、グラフトポロジの不均衡の度合いを測定するために、影響コンフリクトの検出(Totoro)を考案する。
本稿では,トポロジ不均衡問題に対処するモデルに依存しないReNodeを提案する。
論文 参考訳（メタデータ） (2021-10-08T12:57:38Z) - Reasoning Graph Networks for Kinship Verification: from Star-shaped to
Hierarchical [85.0376670244522]
階層型推論グラフネットワークの学習による顔の親和性検証の問題点について検討する。
より強力で柔軟なキャパシティを利用するために,星型推論グラフネットワーク(S-RGN)を開発した。
また、より強力で柔軟なキャパシティを利用する階層型推論グラフネットワーク(H-RGN)も開発しています。
論文 参考訳（メタデータ） (2021-09-06T03:16:56Z) - Hierarchical Graph Capsule Network [78.4325268572233]
ノード埋め込みを共同で学習し,グラフ階層を抽出できる階層型グラフカプセルネットワーク(HGCN)を提案する。
階層的表現を学ぶために、HGCNは下層カプセル(部分)と高層カプセル(全体)の間の部分的関係を特徴付ける。
論文 参考訳（メタデータ） (2020-12-16T04:13:26Z) - Robust Hierarchical Graph Classification with Subgraph Attention [18.7475578342125]
本稿では,グラフに対するサブグラフアテンションの概念を紹介する。
本稿では,SubGattPoolというグラフ分類アルゴリズムを提案する。
SubGattPoolは、最先端のグラフ分類データセットを改善することができるか、あるいは、複数の公開グラフ分類データセットで競争力を維持することができることを示す。
論文 参考訳（メタデータ） (2020-07-19T10:03:06Z) - 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。