論文の概要: Virtual Node Tuning for Few-shot Node Classification

• arxiv url: http://arxiv.org/abs/2306.06063v1
• Date: Fri, 9 Jun 2023 17:38:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-12 12:11:17.065319
• Title: Virtual Node Tuning for Few-shot Node Classification
• Title（参考訳）: 少数ノード分類のための仮想ノードチューニング
• Authors: Zhen Tan, Ruocheng Guo, Kaize Ding, Huan Liu
• Abstract要約: FSNC(Few-shot Node Classification)は、グラフ表現学習における課題であり、クラス毎にラベル付きノードが数個しか使用できない。 この問題に対処するために,メタラーニングは,豊富なラベルを持つ基本クラスから新規クラスへの構造的知識の伝達を目的としている。 この課題に対処するために,Virtual Node Tuning (VNT) と呼ばれる革新的な手法を提案する。
• 参考スコア（独自算出の注目度）: 38.66690010054665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot Node Classification (FSNC) is a challenge in graph representation learning where only a few labeled nodes per class are available for training. To tackle this issue, meta-learning has been proposed to transfer structural knowledge from base classes with abundant labels to target novel classes. However, existing solutions become ineffective or inapplicable when base classes have no or limited labeled nodes. To address this challenge, we propose an innovative method dubbed Virtual Node Tuning (VNT). Our approach utilizes a pretrained graph transformer as the encoder and injects virtual nodes as soft prompts in the embedding space, which can be optimized with few-shot labels in novel classes to modulate node embeddings for each specific FSNC task. A unique feature of VNT is that, by incorporating a Graph-based Pseudo Prompt Evolution (GPPE) module, VNT-GPPE can handle scenarios with sparse labels in base classes. Experimental results on four datasets demonstrate the superiority of the proposed approach in addressing FSNC with unlabeled or sparsely labeled base classes, outperforming existing state-of-the-art methods and even fully supervised baselines.
• Abstract（参考訳）: FSNC(Few-shot Node Classification)は、グラフ表現学習における課題であり、クラス毎にラベル付きノードが数個しか使用できない。 この問題に対処するために,メタラーニングは,豊富なラベルを持つ基本クラスから新規クラスへの構造的知識の伝達を目的としている。 しかし、ベースクラスにラベル付きノードが存在しない場合、既存のソリューションは効果がないか、適用できない。 この課題に対処するために、Virtual Node Tuning (VNT)と呼ばれる革新的な手法を提案する。 提案手法では,プリトレーニングしたグラフトランスフォーマをエンコーダとして使用し,仮想ノードを埋め込み空間のソフトプロンプトとして注入する。 VNTのユニークな特徴は、グラフベースのPseudo Prompt Evolution (GPPE)モジュールを組み込むことで、VNT-GPPEはベースクラスのスパースラベルでシナリオを処理することができることである。 4つのデータセットに対する実験結果から,FSNCにラベル付けされていない,あるいはラベル付けされていないベースクラスで対処する上で,提案手法が優れていることを示す。

関連論文リスト

• Inductive Graph Few-shot Class Incremental Learning [34.19083477893245]
  本稿では,新しいノードを持つ新しいクラスを継続的に学習するインダクティブGFSCILを提案する。 トランスダクティブGFSCILと比較して、インダクティブ設定は、アクセス不能な先行データにより破滅的忘れを悪化させる。 そこで我々はTopology-based class Augmentation and Prototype calibrationと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T00:06:20Z)
• 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 Meta-Learning for Few-shot Node Classification [54.36506013228169]
  少ないショットノード分類は、限定されたラベル付きノードのみを参照としてグラフ上のノードのラベルを予測することを目的としている。 グラフ上にCOSMICという新しい対照的なメタラーニングフレームワークを2つの重要な設計で作成する。
  論文  参考訳（メタデータ） (2023-06-27T02:22:45Z)
• Task-Equivariant Graph Few-shot Learning [7.78018583713337]
  グラフニューラルネットワーク(GNN)は、少数ショットノード分類として知られる、限られた数のラベル付きノードでノードを分類できることが重要である。 本稿では,新しいアプローチであるタスク・平等グラフ数ショット学習(TEG)フレームワークを提案する。 我々のTEGフレームワークは、限られた数のトレーニングメタタスクを使用して、移行可能なタスク適応戦略を学習することを可能にする。
  論文  参考訳（メタデータ） (2023-05-30T05:47:28Z)
• Label-Enhanced Graph Neural Network for Semi-supervised Node Classification [32.64730237473914]
  グラフニューラルネットワーク(GNN)のためのラベル強化学習フレームワークを提案する。 まず、各ラベルをクラス内のノードの仮想センターとしてモデル化し、次にノードとラベルの両方の表現を共同で学習する。 提案手法は,同一クラスに属するノードの表現を円滑に行うだけでなく,ラベルセマンティクスをGNNの学習プロセスに明示的にエンコードする。
  論文  参考訳（メタデータ） (2022-05-31T09:48:47Z)
• Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
  グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。 GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
  論文  参考訳（メタデータ） (2020-06-23T04:13:23Z)
• Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
  逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。 少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。 我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
  論文  参考訳（メタデータ） (2020-06-18T00:55:10Z)
• Unifying Graph Convolutional Neural Networks and Label Propagation [73.82013612939507]
  LPAとGCNの関係を特徴・ラベルの平滑化と特徴・ラベルの影響の2点の観点から検討した。 理論解析に基づいて,ノード分類のためのGCNとLCAを統一するエンドツーエンドモデルを提案する。 我々のモデルは、既存の特徴に基づく注目モデルよりもタスク指向のノードラベルに基づく学習注意重みと見なすこともできる。
  論文  参考訳（メタデータ） (2020-02-17T03:23:13Z)

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。