論文の概要: TabGSL: Graph Structure Learning for Tabular Data Prediction
- arxiv url: http://arxiv.org/abs/2305.15843v1
- Date: Thu, 25 May 2023 08:33:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-26 16:28:07.817105
- Title: TabGSL: Graph Structure Learning for Tabular Data Prediction
- Title（参考訳）: TabGSL: 語彙データ予測のためのグラフ構造学習
- Authors: Jay Chiehen Liao, Cheng-Te Li
- Abstract要約: 本稿では,グラフ構造学習(Tabular Graph Structure Learning, TabGSL)という新しい手法を提案する。
30のベンチマークデータセットで実施された実験では、TabGSLがツリーベースモデルと最近のディープラーニングベースモデルの両方を著しく上回っていることが示されている。
- 参考スコア（独自算出の注目度）: 10.66048003460524
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work presents a novel approach to tabular data prediction leveraging
graph structure learning and graph neural networks. Despite the prevalence of
tabular data in real-world applications, traditional deep learning methods
often overlook the potentially valuable associations between data instances.
Such associations can offer beneficial insights for classification tasks, as
instances may exhibit similar patterns of correlations among features and
target labels. This information can be exploited by graph neural networks,
necessitating robust graph structures. However, existing studies primarily
focus on improving graph structure from noisy data, largely neglecting the
possibility of deriving graph structures from tabular data. We present a novel
solution, Tabular Graph Structure Learning (TabGSL), to enhance tabular data
prediction by simultaneously learning instance correlation and feature
interaction within a unified framework. This is achieved through a proposed
graph contrastive learning module, along with transformer-based feature
extractor and graph neural network. Comprehensive experiments conducted on 30
benchmark tabular datasets demonstrate that TabGSL markedly outperforms both
tree-based models and recent deep learning-based tabular models. Visualizations
of the learned instance embeddings further substantiate the effectiveness of
TabGSL.
- Abstract（参考訳）: 本稿では,グラフ構造学習とグラフニューラルネットワークを用いた表データ予測手法を提案する。
現実世界のアプリケーションで表データの普及にもかかわらず、従来のディープラーニング手法は、データインスタンス間の潜在的に価値のある関連を見落としていることが多い。
このようなアソシエーションは、特徴と対象ラベルの間に類似した相関パターンを示す場合があり、分類タスクに有益な洞察を与えることができる。
この情報は、堅牢なグラフ構造を必要とするグラフニューラルネットワークによって利用することができる。
しかし、既存の研究は主にノイズデータからグラフ構造を改善することに焦点を当てており、グラフ構造を表データから導出する可能性をほとんど無視している。
本稿では,統一フレームワーク内でインスタンス相関と特徴間相互作用を同時に学習することにより,表データ予測を強化する新しい解である表グラフ構造学習(tabgsl)を提案する。
これは、グラフコントラスト学習モジュールと、トランスフォーマティブな特徴抽出器とグラフニューラルネットワークによって実現される。
30のベンチマーク表データセットで実施された総合的な実験は、TabGSLがツリーベースモデルと最近のディープラーニングベースの表モデルの両方を著しく上回っていることを示している。
学習したインスタンスの埋め込みの可視化は、TabGSLの有効性をさらに裏付ける。
関連論文リスト
- RAGraph: A General Retrieval-Augmented Graph Learning Framework [35.25522856244149]
我々は、RAGraph(General Retrieval-Augmented Graph Learning)と呼ばれる新しいフレームワークを紹介する。
RAGraphは、一般的なグラフ基盤モデルに外部グラフデータを導入し、目に見えないシナリオにおけるモデルの一般化を改善する。
推論中、RAGraphは下流タスクにおける重要な類似性に基づいて、似たようなおもちゃのグラフを順応的に検索する。
論文 参考訳（メタデータ） (2024-10-31T12:05:21Z) - TabGraphs: A Benchmark and Strong Baselines for Learning on Graphs with Tabular Node Features [17.277932238538302]
タブラル機械学習はグラフ機械学習の手法の恩恵を受けるかもしれない。
グラフニューラルネットワーク(GNN)は、予測性能が向上することが多い。
単純な機能前処理により、GNNと競合し、さらに性能も向上する。
論文 参考訳（メタデータ） (2024-09-22T15:53:19Z) - StructChart: Perception, Structuring, Reasoning for Visual Chart
Understanding [58.38480335579541]
現在のチャート関連タスクは、視覚チャートから情報を抽出することを参照するチャート認識か、抽出されたデータから推論を行うかに焦点を当てている。
本稿では,共同認識と推論タスクのための統一的でラベル効率のよい学習パラダイムを確立することを目的とする。
各種のチャート関連タスクで実験を行い、統合されたチャート認識推論パラダイムの有効性と有望な可能性を実証した。
論文 参考訳（メタデータ） (2023-09-20T12:51:13Z) - GraphGLOW: Universal and Generalizable Structure Learning for Graph
Neural Networks [72.01829954658889]
本稿では,この新たな問題設定の数学的定義を紹介する。
一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。
十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
論文 参考訳（メタデータ） (2023-06-20T03:33:22Z) - T2G-Former: Organizing Tabular Features into Relation Graphs Promotes
Heterogeneous Feature Interaction [15.464703129175298]
本稿では,グラフ特徴間の関係を自動的に推定し,関連する特徴間のエッジを割り当てることでグラフを構築するグラフ推定器を提案する。
提案したグラフ推定器に基づいて,T2G-Formerと呼ばれる表型学習に適したベスポーク変換器ネットワークを提案する。
我々のT2G-FormerはDNNにおいて優れた性能を発揮し、非深さ勾配ブースト決定木モデルと競合する。
論文 参考訳（メタデータ） (2022-11-30T10:39:24Z) - Data augmentation on graphs for table type classification [1.1859913430860336]
グラフニューラルネットワークを用いてテーブルの分類を行い、使用中のメッセージパッシングアルゴリズムのテーブル構造を利用する。
我々は,グラフベースの表表現に適したデータ拡張手法を提案することで,有望な予備結果を実現する。
論文 参考訳（メタデータ） (2022-08-23T21:54:46Z) - Graph Structure Learning with Variational Information Bottleneck [70.62851953251253]
本稿では,新しい変分情報ボトルネックガイド付きグラフ構造学習フレームワーク,すなわちVIB-GSLを提案する。
VIB-GSLは情報的かつ圧縮的なグラフ構造を学習し、特定の下流タスクに対して実行可能な情報を蒸留する。
論文 参考訳（メタデータ） (2021-12-16T14:22:13Z) - Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。
提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。
すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
論文 参考訳（メタデータ） (2021-09-01T08:24:02Z) - Contrastive and Generative Graph Convolutional Networks for Graph-based
Semi-Supervised Learning [64.98816284854067]
グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。
本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-09-15T13:59:28Z) - Representation Learning of Graphs Using Graph Convolutional Multilayer
Networks Based on Motifs [17.823543937167848]
mGCMNはノードの特徴情報とグラフの高階局所構造を利用する新しいフレームワークである。
グラフニューラルネットワークの学習効率を大幅に改善し、新たな学習モードの確立を促進する。
論文 参考訳（メタデータ） (2020-07-31T04:18:20Z) - GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。
自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。
3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文 参考訳（メタデータ） (2020-06-17T16:18:35Z)
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。