論文の概要: EPIC: Graph Augmentation with Edit Path Interpolation via Learnable Cost
- arxiv url: http://arxiv.org/abs/2306.01310v1
- Date: Fri, 2 Jun 2023 07:19:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-05 16:34:33.106042
- Title: EPIC: Graph Augmentation with Edit Path Interpolation via Learnable Cost
- Title(参考訳): EPIC:学習コストによる編集パス補間によるグラフ拡張
- Authors: Jaeseung Heo, Seungbeom Lee, Sungsoo Ahn, Dongwoo Kim
- Abstract要約: EPIC (Edit Path Interpolation via learnable Cost) はグラフデータセットを拡張するための新しい手法である。
我々はラベル付きグラフの比較を通してグラフ編集距離を学習し、この知識を用いて元のグラフのペア間のグラフ編集パスを作成する。
提案手法の有効性をいくつかのベンチマークデータセットに示すとともに,グラフ分類タスクにおける既存の拡張手法よりも優れていることを示す。
- 参考スコア(独自算出の注目度): 14.222705885588763
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph-based models have become increasingly important in various domains, but
the limited size and diversity of existing graph datasets often limit their
performance. To address this issue, we propose EPIC (Edit Path Interpolation
via learnable Cost), a novel interpolation-based method for augmenting graph
datasets. Our approach leverages graph edit distance to generate new graphs
that are similar to the original ones but exhibit some variation in their
structures. To achieve this, we learn the graph edit distance through a
comparison of labeled graphs and utilize this knowledge to create graph edit
paths between pairs of original graphs. With randomly sampled graphs from a
graph edit path, we enrich the training set to enhance the generalization
capability of classification models. We demonstrate the effectiveness of our
approach on several benchmark datasets and show that it outperforms existing
augmentation methods in graph classification tasks.
- Abstract(参考訳): グラフベースのモデルは、さまざまな領域においてますます重要になっているが、既存のグラフデータセットのサイズと多様性が制限されることがしばしばある。
そこで本研究では,グラフデータセットの拡張のための新しい補間法であるepic(edit path interpolation via learnable cost)を提案する。
本手法では, グラフ編集距離を利用して, 元のグラフと類似するが, その構造に若干のバリエーションを示す新しいグラフを生成する。
これを実現するために,ラベル付きグラフの比較によりグラフ編集距離を学習し,この知識を用いて元のグラフのペア間のグラフ編集パスを生成する。
グラフ編集パスからランダムにサンプリングされたグラフにより、トレーニングセットが強化され、分類モデルの一般化能力が向上する。
提案手法の有効性をいくつかのベンチマークデータセットに示すとともに,グラフ分類タスクにおける既存の拡張手法よりも優れていることを示す。
関連論文リスト
- OpenGraph: Towards Open Graph Foundation Models [22.929100194849113]
本研究では,多種多様なグラフデータに存在する複雑なトポロジ的パターンを理解するための一般グラフ基盤モデルを構築した。
本稿では,グラフモデルに統一的なグラフトークン化手法を提案する。
また,グローバルなトポロジ的コンテキスト内のノード依存性を効果的にキャプチャするスケーラブルなグラフ変換器を開発した。
論文 参考訳(メタデータ) (2024-03-02T08:05:03Z) - Permutation Equivariant Graph Framelets for Heterophilous Graph Learning [6.679929638714752]
本研究では,Haar型グラフフレームレットの構築により,マルチスケール抽出を実現する手法を開発した。
ヘテロ親和性グラフの特定のデータセット上で,我々のモデルが最高の性能を達成できることが示される。
論文 参考訳(メタデータ) (2023-06-07T09:05:56Z) - You Only Transfer What You Share: Intersection-Induced Graph Transfer
Learning for Link Prediction [79.15394378571132]
従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。
より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。
この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
論文 参考訳(メタデータ) (2023-02-27T22:56:06Z) - Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。
近年の研究では、グラフ表現学習における事前学習の有用性が示されている。
本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
論文 参考訳(メタデータ) (2023-02-06T16:26:29Z) - Similarity-aware Positive Instance Sampling for Graph Contrastive
Pre-training [82.68805025636165]
トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。
私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。
さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
論文 参考訳(メタデータ) (2022-06-23T20:12:51Z) - Graph Transplant: Node Saliency-Guided Graph Mixup with Local Structure
Preservation [27.215800308343322]
グラフトランスポート(Graph Transplant)と呼ばれるグラフレベルでMixupライクなグラフ拡張手法を提案する。
本手法では, 局所情報を保存可能な混合単位としてサブ構造を同定する。
複数のグラフ分類ベンチマークデータセットを用いて,多様なGNNアーキテクチャを用いて提案手法を広範囲に検証する。
論文 参考訳(メタデータ) (2021-11-10T11:10:13Z) - Graph Context Encoder: Graph Feature Inpainting for Graph Generation and
Self-supervised Pretraining [4.640835690336652]
グラフコンテキスト(GCE)は、グラフの特徴マスキングと再構成に基づくグラフ表現学習のためのシンプルだが効率的なアプローチである。
GCEモデルは、ノードとエッジラベルがマスクされたグラフオートエンコーダと同様に、入力グラフを効率的に再構築するように訓練される。
GCEは新規なグラフ生成に利用でき、分子生成にも応用できることを示す。
論文 参考訳(メタデータ) (2021-06-18T13:28:11Z) - Graph Edit Distance Reward: Learning to Edit Scene Graph [69.39048809061714]
本研究では,これまで検討されていないユーザ指示に従ってシーングラフを編集する手法を提案する。
具体的には,テキストから得られるセマンティクスとしてシーングラフの編集を学習するために,グラフ編集距離再帰(Graph Edit Distance Reward)を提案する。
テキスト編集画像検索の文脈において,CSSおよびCRIRデータセットにおける本手法の有効性を検証する。
論文 参考訳(メタデータ) (2020-08-15T04:52:16Z) - Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。
標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。
総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
論文 参考訳(メタデータ) (2020-07-08T19:48:19Z) - Wasserstein-based Graph Alignment [56.84964475441094]
我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。
提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
論文 参考訳(メタデータ) (2020-03-12T22:31:59Z)
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。