論文の概要: Confidence-Based Feature Imputation for Graphs with Partially Known Features

• arxiv url: http://arxiv.org/abs/2305.16618v2
• Date: Mon, 29 May 2023 02:58:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-30 10:56:52.621410
• Title: Confidence-Based Feature Imputation for Graphs with Partially Known Features
• Title（参考訳）: 部分的特徴を持つグラフに対する信頼度に基づく特徴量計算
• Authors: Daeho Um, Jiwoong Park, Seulki Park, Jin Young Choi
• Abstract要約: 本稿では,各チャネルの特徴に割り当てられるノードの特徴に対して,チャネルの信頼性という新しい概念を導入する。 そこで我々は,未知のノードと最も近い既知のノードとの間のチャネル幅の短い経路距離を用いて疑似信頼度を設計する。 疑似自信に基づいて,チャネルワイドなノード間拡散とノードワイドなチャネル間伝播を行う特徴計算手法を提案する。
• 参考スコア（独自算出の注目度）: 11.96118246448543
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper investigates a missing feature imputation problem for graph learning tasks. Several methods have previously addressed learning tasks on graphs with missing features. However, in cases of high rates of missing features, they were unable to avoid significant performance degradation. To overcome this limitation, we introduce a novel concept of channel-wise confidence in a node feature, which is assigned to each imputed channel feature of a node for reflecting certainty of the imputation. We then design pseudo-confidence using the channel-wise shortest path distance between a missing-feature node and its nearest known-feature node to replace unavailable true confidence in an actual learning process. Based on the pseudo-confidence, we propose a novel feature imputation scheme that performs channel-wise inter-node diffusion and node-wise inter-channel propagation. The scheme can endure even at an exceedingly high missing rate (e.g., 99.5\%) and it achieves state-of-the-art accuracy for both semi-supervised node classification and link prediction on various datasets containing a high rate of missing features. Codes are available at https://github.com/daehoum1/pcfi.
• Abstract（参考訳）: 本稿では,グラフ学習タスクにおける特徴インプテーション問題の欠如について検討する。 以前、いくつかのメソッドは、機能不足のあるグラフ上の学習タスクに対処してきた。 しかし, 特徴の欠落率が高い場合には, 著しい性能低下を回避できなかった。 この制限を克服するため,我々は,ノードの特徴の確信を反映させるために,各インデュートチャネル特徴に割り当てられた,ノード特徴に対するチャネル信頼という新しい概念を導入する。 そこで我々は,未知のノードと最も近い未知のノード間のチャネル幅の短い経路距離を用いて疑似信頼度を設計し,実際の学習過程における真の信頼度を置き換える。 疑似信頼に基づいて,チャネル間ノード間拡散とノード間チャネル間伝播を行う新しい特徴インプテーションスキームを提案する。 このスキームは、非常に高い欠落率(例:99.5\%)でも耐えられ、半教師付きノード分類と高い欠落率を含む様々なデータセットのリンク予測の両方に対して最先端の精度を達成する。 コードはhttps://github.com/daehoum1/pcfiで入手できる。

関連論文リスト

• Noise-Resilient Unsupervised Graph Representation Learning via Multi-Hop Feature Quality Estimation [53.91958614666386]
  グラフニューラルネットワーク(GNN)に基づく教師なしグラフ表現学習(UGRL) マルチホップ特徴量推定(MQE)に基づく新しいUGRL法を提案する。
  論文  参考訳（メタデータ） (2024-07-29T12:24:28Z)
• Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
  MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。 ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。 4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2024-01-24T03:43:45Z)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• 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)
• Is Rewiring Actually Helpful in Graph Neural Networks? [11.52174067809364]
  本稿では,ノードやグラフ表現の学習を必要としない,メッセージパッシングモデルに基づく評価設定を提案する。 実世界のノードとグラフ分類タスクの体系的比較を行い、基礎となるグラフを書き換えることが、メッセージパッシングの実用的な利点をもたらすことは滅多にないことを示した。
  論文  参考訳（メタデータ） (2023-05-31T10:12:23Z)
• Self-supervised Guided Hypergraph Feature Propagation for Semi-supervised Classification with Missing Node Features [9.684903457117917]
  自己教師付きガイド付きハイパーグラフ特徴伝搬(SGHFP)を提案する。 具体的には、機能ハイパーグラフは、情報を欠いたノード機能に基づいて最初に生成される。 そして、再構成されたノード特徴を2層GNNに供給し、擬似ラベルハイパーグラフを構築する。 大規模な実験により,提案したSGHFPは,既存の半教師付き分類よりもノードの特徴の欠如が優れていることが示された。
  論文  参考訳（メタデータ） (2023-02-16T12:13:46Z)
• On the Unreasonable Effectiveness of Feature propagation in Learning on Graphs with Missing Node Features [7.421573539569853]
  本稿では,グラフ機械学習アプリケーションにおいて欠落する機能を扱うための一般的なアプローチを提案する。 提案手法は,7つの共通ノード分類ベンチマークにおいて,従来の手法よりも優れていることを示す。 1つのGPU上で$sim$2.5Mノードと$sim$123Mエッジを持つグラフ上で実行するのに10秒しかかからない。
  論文  参考訳（メタデータ） (2021-11-23T19:50:46Z)
• Unveiling Anomalous Edges and Nominal Connectivity of Attributed Networks [53.56901624204265]
  本研究では、相補的な強さを持つ2つの異なる定式化を用いて、属性グラフの異常なエッジを明らかにする。 まず、グラフデータマトリックスを低ランクとスパースコンポーネントに分解することで、パフォーマンスを著しく向上させる。 第2は、乱れのないグラフを頑健に復元することにより、第1のスコープを広げ、異常識別性能を高める。
  論文  参考訳（メタデータ） (2021-04-17T20:00:40Z)
• 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)
• Graph Convolutional Networks for Graphs Containing Missing Features [5.426650977249329]
  グラフ畳み込みネットワーク(GCN)を欠落した特徴を含むグラフに適応させる手法を提案する。 従来の戦略とは対照的に、我々のアプローチは、欠落した特徴の処理とグラフ学習を、同じニューラルネットワークアーキテクチャ内で統合する。 本研究では,提案手法がノード分類やリンク予測タスクにおいて,命令に基づく手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-07-09T06:47:21Z)

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。